Sumário

Prefácio

Preâmbulo

 

Capítulo 1: Introdução ao uso de machine learning na saúde brasileira

1.1. Motivação e contexto

1.2. Motivos para a ascensão da área nos últimos anos

1.3. Desafios da área da saúde que mais se beneficiam de predição

1.4. Principais barreiras para implementação no SUS

1.5. Qualidade de dados e impacto no desempenho dos modelos

1.6. Critérios para decidir quando usar (ou não usar) machine learning

 

Capítulo 2: Inteligência artificial clássica vs. machine learning

2.1. Da inteligência artificial simbólica a machine learning

2.2. Comparação prática entre regras explícitas e modelos orientados por dados

2.3. Vantagens, limitações e trade-offs em contextos de saúde

2.4. Do desempenho preditivo à utilidade clínica

 

Capítulo 3: Modalidades de dados

3.1. Significado de modalidade de dados

3.2. Aplicações típicas em saúde

3.3. O ecossistema de dados em saúde no Brasil

 

Capítulo 4: Inferência e predição

4.1. A inferência estatística

4.2. A inferência causal e o confundimento

4.3. A modelagem preditiva

4.4. Outras distinções importantes entre inferência e predição

4.4.1. O tamanho amostral

4.4.2. A escolha do método

4.4.3. A escolha de variáveis

4.4.4. A importância dos dados faltantes

4.4.5. A validação dos modelos

4.5. Conclusão

 

Capítulo 5: Inteligência artificial generativa vs. inteligência artificial preditiva

5.1. Introdução

5.2. Inteligência artificial preditiva

5.2.1. Tipos de modelos em IA preditiva

5.2.2. Avaliação de performance

5.3. Inteligência artificial generativa

5.3.1. Transformers

5.3.2. Foundation models

5.3.3. Avaliando a performance da IA generativa

5.3.4. Aplicações de IA generativa na área da saúde

5.4. Considerações finais

 

6. Modelos de classificação e regressão

6.1. Aprendizado supervisionado: classificação e regressão

6.2. Definição de classificação

6.3. Definição de regressão

6.4. Principais diferenças entre classificação e regressão

6.5. Métricas de avaliação em classificação

6.5.1. Acurácia (accuracy)

6.5.2. Precisão (precision)

6.5.3. Sensibilidade (recall)

6.5.4. Coeficiente de Correlação de Matthews (MCC)

6.6. Métricas de avaliação em regressão

6.6.1. MAE

6.6.2. RMSE

6.6.3. R2 (coeficiente de determinação)

6.7. Considerações finais

 

7. Dados estruturados vs. não estruturados

7.1. Definição e motivação

7.1.1. O problema da heterogeneidade dos dados em saúde

7.2. Dados estruturados

7.2.1. Taxonomia das variáveis

7.2.2. Padronização e interoperabilidade

7.2.3. Vantagens e limitações

7.3. Dados não estruturados

7.3.1. Imagens médicas

7.3.2. Texto clínico e processamento de linguagem natural em saúde

7.3.3. Perfis biomédicos

7.3.4. Dados longitudinais e séries temporais clínicas

7.3.5. Áudio e vídeo clínicos

7.3.6. Dados ômicos

7.4. Comparativo integrado das modalidades

 

8. Dados desbalanceados

8.1. Por que acontece em saúde

8.1.1. Natureza epidemiológica (prevalência e incidência)

8.1.2. Viés de acesso e subnotificação (o desbalanceamento oculto)

8.1.3. Desbalanceamento temporal em dados longitudinais

8.1.4. Fragmentação de sistemas e perda de seguimento

8.2. Estratégias para o tratamento do desbalanceamento

8.2.1. Intervenções no nível dos dados (reamostragem)

8.2.2. Intervenções no nível do modelo (pesos, losses e ensembles)

8.2.3. Pós-processamento: ajuste de limiar (threshold tuning)

8.3. Métricas para avaliação em cenários desbalanceados

8.3.1. Métricas de discriminação

8.3.2. Métricas de calibração

8.3.3. Métricas de utilidade clínica

 

9. Ambientes para desenvolvimento de código

9.1. Por que a escolha do IDE importa na saúde?

9.2. Principais IDEs e plataformas

9.2.1. Jupyter Notebook

9.2.2. Google Colab

9.2.3. Visual Studio Code (VSCode)

9.2.4. Cursor

9.2.5. Claude Code

9.3. Comparativo: quando usar cada ferramenta

9.4. Integração com ferramentas de inteligência artificial

9.4.1. GitHub Copilot (VSCode e Cursor)

9.4.2. Google Gemini Code Assist (Google Colab)

9.4.3. Cursor AI e Claude Code

9.4.4. Comparativo das integrações de IA

9.5. Outras ferramentas notáveis

9.6. Boas práticas ao usar IDEs em projetos de saúde

 

10. Tipos de machine learning

10.1. Introdução

10.2. Aprendizado supervisionado

10.2.1. Definição e fundamentos matemáticos: classificação e regressão

10.2.2. Função de custo e regressão logística

10.2.3. Algoritmos supervisionados

10.2.4. Métricas e calibração no aprendizado supervisionado

10.2.5. Aplicações, desafios e limitações

10.3. Aprendizado não supervisionado

10.3.1. Clusterização

10.3.2. Redução de dimensionalidade e análise de componentes principais (PCA)

10.4. Aprendizado autossupervisionado

10.5. Aprendizado por reforço

10.6. Comparação entre paradigmas e seleção prática

10.7. Conclusão, tendências e desafios de implementação

 

11. Pré-processamento de dados

11.1. Introdução

11.2. Contexto dos dados em saúde: características e desafios para o pré-processamento

11.3. Pipeline geral de pré-processamento

11.3.1. Onde a divisão treino-teste entra no pipeline

11.4. Conhecendo os dados antes de transformá-los

11.4.1. Definição do problema e da população de análise

11.4.2. Inspeção inicial da estrutura da base

11.4.3. Identificação e remoção de registros duplicados

11.4.4. Seleção de variáveis e correção de tipos

11.4.5. Análise de valores ausentes

11.4.6. Estatística descritiva e identificação de valores extremos

11.5. Transformação dos dados para a modelagem

11.5.1. Análise de correlação e seleção de variáveis

11.5.2. Mecanismos de ausência: MCAR, MAR e MNAR

11.5.3. Estratégias de imputação

11.5.4. Escalonamento de variáveis numéricas

11.5.5. Codificação de variáveis categóricas

11.6. Considerações práticas para contextos de saúde

11.6.1. Documentação e reprodutibilidade do pipeline

11.6.2. Impacto do pré-processamento em subgrupos populacionais

11.6.3. Limites do pré-processamento

 

12. Separação treino, teste e validação

12.1. Introdução: o dilema da generalização

12.2. Overfitting, underfitting e generalização

12.2.1. Overfitting vs. underfitting

12.3. Aspectos da separação dos dados

12.3.1. Proporções

12.3.2. Estratégias de amostragem

12.4. YOTO: You Only use the Test set Once

12.4.1. O pesquisador como fonte de contaminação

12.4.2. Controle de outliers

12.4.3. Variáveis categóricas e novas classes

12.5. Validação

12.5.1. Hold-out

12.5.2. Validação cruzada

12.5.3. Outros métodos

12.5.4. Conclusão

13. Hiperparâmetros e otimização

13.1. Parâmetros vs. hiperparâmetros

13.2. Objetivo do ajuste de hiperparâmetros

13.3. Tipos de hiperparâmetros

13.3.1. Classificação por tipo de hiperparâmetro

13.3.2. Hiperparâmetros condicionais

13.4. Hiperparâmetros de modelos de árvore

13.5. Configuração dos espaços de busca

13.6. Hiperparâmetros de ensemble e regularização

13.7. Valores padrão e a importância do ajuste

13.8. Estratégias de otimização de hiperparâmetros

13.8.1. Grid Search (busca em grade)

13.8.2. Random Search (busca aleatória)

13.8.3. Otimização bayesiana

13.9. Conclusão

 

248 14. Árvores, florestas e boosting

14.1. Árvores de decisão

14.1.1. Construindo uma árvore de classificação passo a passo

14.1.2. Árvores de regressão

14.1.3. Evitando sobreajuste

14.1.4. Árvores no código

14.2. Bagging e random forests

14.2.1. Bootstrap

14.2.2. Bagging

14.2.3. Floresta aleatória

14.2.4. Random forests no código

14.3. Boosting: GBM, XGBoost, CatBoost e LightGBM

14.3.1. Boosting

14.3.2. Derivadas e a descida do gradiente

14.3.3. Gradient boosting

14.3.4. Boosting no código

14.4. Conclusão

 

15. Algoritmos de aprendizado profundo (deep learning)

15.1. A jornada das redes neurais: do Perceptron ao inverno da inteligência artificial

15.2. Deep learning e dados tabulares em saúde

15.3. Transformers

15.3.1. Tokens e embeddings: a anatomia matemática de um sintoma

15.3.2. O mecanismo de atenção (self-attention): o coração do modelo

15.3.3. Multi-Head Attention: uma equipe multidisciplinar

15.3.4. Redes Feed-Forward (MLPs): o armazém do conhecimento clínico

15.3.5. A elegância da previsão final

15.4. TabPFN – Um Foundation Model Tabular baseado em Transformers

15.4.1. Aprendendo o contexto

15.4.2. Modelos fundacionais: a intuição de um especialista

15.4.3. A fisiologia do TabPFN: a dinâmica bidimensional e a lógica de processamento

15.4.4. O TabPFN atuando na saúde

15.4.5. O modelo na linha de frente: destilação de conhecimento

15.4.6. O futuro da IA multimodal na saúde

 

16. Seleção de variáveis (Boruta)

16.1. Introdução

16.2. Importância da seleção de variáveis

16.2.1. Redução de overfitting

16.2.2. Melhor interpretabilidade

16.2.3. Eficiência computacional

16.2.4. Robustez e generalização

16.3. Métodos de seleção de variáveis

16.3.1. Métodos de filtro

16.3.2. Métodos wrapper

16.3.3. Métodos embedded

16.3.4. Comparação entre métodos de seleção de variáveis

16.4. Algoritmo Boruta

16.5. Funcionamento passo a passo

16.6. Interpretação dos resultados

16.7. Implementação prática em Python

16.7.1. Instalação das bibliotecas necessárias

16.7.2. Importação das bibliotecas

16.7.3. Importação e organização das bases de treino e teste

16.7.4. Definição do modelo inicial

16.7.5. Ajuste do modelo por Randomized Search

16.7.6. Aplicação do Boruta

16.7.7. Extração das variáveis confirmadas, rejeitadas e tentativas

16.7.8. Organização do ranking gerado pelo Boruta

16.7.9. Construção das novas bases com as variáveis selecionadas

16.7.10. Retreino do XGBoost com as variáveis confirmadas

16.7.11. Comparação entre o modelo original e o modelo

reduzido

354 16.8. Vantagens e limitações do Boruta

355 16.9. Conclusão

17. Explicabilidade (SHAP)

17.1. Fundamentos de explicabilidade em machine learning

17.2. Interpretabilidade vs. explicabilidade

17.3. Taxonomia dos métodos de explicabilidade

17.3.1. Escopo: local vs. global

17.3.2. Dependência do modelo: métodos agnósticos vs.métodos específicos

17.3.3. Momento de aplicação: métodos intrínsecos vs. métodos pós-treinamento (método pós-hoc)

17.4. Critérios de avaliação de métodos explicativos

17.5. Tipos de métodos de explicabilidade

17.5.1. Modelos intrinsecamente interpretáveis

17.5.2. Métodos de explicabilidade aplicados após o treinamento (pós-hoc)

17.6. O método SHAP

17.6.1. O valor de Shapley

17.6.2. Propriedades axiomáticas do SHAP

17.7. Variantes computacionais

17.7.1. KernelSHAP

17.7.2. TreeSHAP

17.8. Gráficos de visualização do framework SHAP

17.8.1. Beeswarm plot (Summary plot) ou gráfico de resumo

17.8.2. Waterfall plot ou gráficos de cascata

17.8.3. Dependence plot ou gráficos de dependência

17.9. Outros métodos de explicabilidade

17.9.1. Grad-CAM e métodos baseados em gradiente

17.9.2. Modelos de linguagem

17.10. Conclusão

383 18. Fairness em machine learning

18.1. Definições e utilidade clínica

18.1.1. O impacto das distorções nos dados

18.1.2. Equilíbrio entre desempenho e equidade

18.1.3. Desafios na prática clínica

18.2. Como o viés entra nos dados

18.2.1. Representatividade e poder estatístico

18.2.2. Viés de medição e falibilidade técnica dos registros

18.2.3. Viés de variável proxy e desvio de finalidade preditiva

18.2.4. Objetivos de otimização e viés

18.2.5. Validação externa e barreiras de implementação

18.3. Auditoria e métricas de justiça

18.3.1. Indicadores de equidade em classificação

18.3.2. Disparidade residual em regressão

18.3.3. Implementação de auditoria

18.3.4. Mitigação de viés em dados tabulares

18.4. Transparência no relato de modelos

18.5. Inteligência artificial como ferramenta assistencial equitativa

 

19. Multicalibração e calibração em modelos preditivos

19.1. Introdução

19.2. Fundamentos da calibração de modelos preditivos

19.2.1. Métricas para avaliação da calibração

19.2.2. Métodos tradicionais de calibração

19.3. Da calibração à multicalibração

19.3.1. Multicalibração proporcional (PMC)

19.3.2. Algoritmos de multicalibração

19.4. Aplicações na saúde pública

19.4.1. Da Covid-19 às doenças crônicas

19.5. Exemplo prático: correção iterativa da calibração por subgrupos

19.6. Perspectivas sobre multicalibração

19.7. Conclusão

 

416 20. Aprendizado por transferência

20.1. O que é aprendizado por transferência

20.1.1. Definições do aprendizado por transferência

20.1.2. Aprendizado por transferência homogêneo e heterogêneo

20.1.3. Aprendizado indutivo e não indutivo

20.1.4. Formas de aprendizado por transferência

20.1.5. O que, quando e como transferir

20.1.6. Desafios e limitações do aprendizado por transferência

20.1.7. Aprendizado por transferência em dados tabulares

20.1.8. Exemplo prático em Python

20.2. Considerações finais

 

21. Aprendizado online

21.1. Retomando: o que é aprendizado em machine learning?

21.2. O que é contexto?

21.2.1. Concept drift: quando o contexto muda

21.3. Como o aprendizado contínuo acontece?

21.3.1. Aprendizado em lote vs. aprendizado online

21.3.2. Como acontece nas árvores de decisão

21.3.3. Como acontece nas redes neurais

21.4. Exemplo prático: tuberculose no DataSUS

21.4.1. Contexto do problema

21.4.2. Download e preparação

21.4.3. Pré-processamento

21.4.4. Modelo contínuo com River

21.4.5. Visualização da evolução

21.5. Aprendizado contínuo, transfer learning e aprendizado federado: qual a diferença?

21.5.1. Podem ser combinados?

21.6. Vantagens e desafios

21.6.1. Vantagens

21.6.2. Desafios

21.7. Quando usar aprendizado contínuo na saúde?

21.8. Considerações finais

 

22. Aprendizado com dados multimodais na saúde

22.1. A natureza multimodal do raciocínio clínico

22.2. Por que multimodal?

22.2.1. Princípio 1 – As modalidades são heterogêneas

22.2.2. Princípio 2 – As modalidades são conectadas

22.2.3. Princípio 3 – As modalidades interagem

22.3. Alinhamento – Fazendo os dados falarem a mesma língua

22.3.1. Vinculação de registros

22.3.2. Alinhamento temporal

22.3.3. Harmonização de escalas e pré-processamento modal-específico

22.4. Representação

22.4.1. Fusão – Estratégias para combinar modalidades

22.4.2. Coordenação – Espaços separados, porém alinhados

22.4.3. Fissão – Decomposição em componentes interpretáveis

22.4.4. Como as estratégias se relacionam

22.5. Avaliação, validação e interpretabilidade

22.5.1. Armadilhas de validação

22.5.2. Robustez

22.5.3. Interpretabilidade multimodal

22.6. Desafios e fronteiras

22.6.1. Escassez de conjuntos de dados multimodais de alta qualidade

22.6.2. Padronização entre equipamentos e protocolos

22.6.3. Regulação, privacidade e aprendizado federado

22.6.4. Viés multimodal

22.6.5. Modelos fundacionais multimodais

22.6.6. Custo computacional e viabilidade de implantação

 

478 23. Aprendizado federado

23.1. Motivação, privacidade e governança

23.2. Fundamentos do aprendizado federado

23.3. Exemplo de aplicação

23.4. Conclusão

 

Posfácio

Aplicações reais e caminhos de adoção

Limitações e próximos passos

Conclusão

 

Referências

Sobre as autoras e os autores

Glossário

Índice remissivo