Disciplina Ciência de Dados para a Saúde

Ciência de Dados para a Saúde integra a área da bioengenharia e aborda métodos estatísticos, computacionais e de inteligência artificial aplicados a dados biomédicos e clínicos. A unidade curricular cobre preparação e limpeza de dados, estatística descritiva e inferencial, visualização, regressão, aprendizagem supervisionada e não supervisionada, séries temporais, aprendizagem profunda, genómica e bioinformática. Inclui ainda validação de modelos, comunicação de resultados, privacidade, segurança, enviesamento e justiça algorítmica. A sua pertinência no ciclo de estudos decorre da crescente utilização de dados na investigação, prevenção, diagnóstico, prognóstico e apoio à decisão em saúde. A UC prepara os estudantes para desenvolver e avaliar soluções reprodutíveis, eticamente responsáveis e clinicamente contextualizadas.

Não aplicável

1. Introdução à ciência de dados em biomedicina: âmbito, aplicações, desafios, tecnologias e ferramentas. 2. Pré-processamento: importação, exportação, limpeza, transformação, dados em falta e outliers. 3. Estatística biomédica: estatística descritiva, distribuições, inferência, testes de hipótese, ANOVA, testes t e qui-quadrado, correlação, regressão linear e logística, avaliação e interpretação de modelos. 4. Visualização: heatmaps, gráficos de dispersão, histogramas, bibliotecas e dashboards. 5. Aprendizagem automática: árvores de decisão, máquinas de vetores de suporte, redes neuronais, séries temporais, clustering, PCA e t-SNE. 6. Genómica, bioinformática e identificação de padrões moleculares. 7. Aprendizagem profunda: redes convolucionais e recorrentes e aplicações em imagem médica. 8. Ética: privacidade, segurança, enviesamento, justiça algorítmica e regulação.

O ensino combina aula invertida, exposição dialogada, programação orientada por problemas, análise de artigos científicos e projetos baseados em dados biomédicos. Os materiais são disponibilizados antecipadamente para promover estudo prévio e participação ativa. Nas sessões teórico-práticas, os estudantes utilizam ferramentas computacionais para importar, limpar, explorar, visualizar e modelar dados, construindo pipelines reprodutíveis. Casos de saúde orientam a seleção de métodos estatísticos e algoritmos, a definição de métricas e a interpretação clínica dos resultados. O projeto integra código-fonte, documentação e discussão oral, promovendo aprendizagem baseada em projeto. O trabalho individual e colaborativo, o feedback formativo e a análise de enviesamento, privacidade e limitações reforçam autonomia, rigor metodológico, comunicação científica e responsabilidade ética.

Denny, J. C., & Cimino, J. J. (2019). Biomedical informatics: Computer applications in health care and biomedicine. Springer. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.