Modelos Gráficos de Probabilidade

Código:

OPT24

Sigla:

MGP14

Áreas Científicas
Classificação	Área Científica
OFICIAL	Medicina

Ocorrência: 2019/2020 - 1S (de 09-09-2019 a 09-02-2020)

Ativa?	Sim
Unidade Responsável:	Departamento de Medicina da Comunidade, Informação e Decisão em Saúde
Curso/CE Responsável:	Mestrado Integrado em Medicina

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIMED	7	Mestrado Integrado em Medicina- Plano oficial 2013 (Reforma Curricular)	2	-	1,5	14	41
			3

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Esta unidade curricular pretende dotar os estudantes dos conhecimentos e competências que lhes permitam utilizar métodos modernos de resolução probabilística de problemas biomédicos, sendo mais especificamente focadas a teoria e a prática de construção de Redes Bayesianas para exploração de associações entre fatores relevantes e outcomes, e a sua aplicação no apoio à decisão clínica.

 

Resultados de aprendizagem e competências

• Identificar diferentes tipos de incerteza inerentes à prática clínica.


• Explorar os principais objetivos da inferência Bayesiana para o apoio à decisão clínica.


• Descrever a teoria das redes Bayesianas, os seus objetivos e as principais características.


• Observar aplicações clínicas de redes Bayesianas em diferentes áreas e outcomes.

Modo de trabalho

Presencial

Programa

1.1 Motivação e exemplos;

1.2 Probabilidade e aplicações médicas;

1.3 Modelos gráficos de probabilidade;

1.4 Introdução às redes Bayesianas.

Redes Bayesianas:

2.1 Semântica e factorização;

2.2 Fluxo de influência probabilística;

2.3 Independência condicional e Naive Bayes;

2.4 Independência causal.

Redes Bayesianas na investigação e apoio à decisão clínicas:

3.1 Diagnóstico;

3.2 Prognóstico;

3.3 Etiologia e risco.

Construção de redes Bayesianas a partir de dados:

4.1 Aprendizagem automática;

4.2 Estimação de parâmetros de redes Bayesianas;

4.3 Aprendizagem da estrutura de redes Bayesianas;

4.4 Aprendizagem com dados incompletos.

Bibliografia Obrigatória

Darwiche, A.; Modeling and Reasoning with Bayesian Networks, Cambridge University Press, 2009
Cowell, R.G., Dawid, P., Lauritzen, S.L., Spiegelhalter, D.J.; Probabilistic Networks and Expert Systems, Springer Verlag, 1999
ucas, P. J. F., van der Gaag, L. C., & Abu-Hanna, A.; Bayesian networks in biomedicine and health-care , Artificial intelligence in medicine, 2004 (2004; 30(3), 201–14)
Darwiche, A.; Bayesian networks, Communications of the ACM, 2010 (53(12), 80–90)
Sierra, B., & Larranaga, P.; Medical Bayes Networks In International Symposium on Medical Data Analysis, Springer Verlag, 2000 (pp. 4–14)

Métodos de ensino e atividades de aprendizagem

Aulas teóricas (6 horas) e teórico-práticas (8 horas) com apresentação e discussão de temas, exercícios em grupo e individuais, com utilização de software específico para desenvolvimento de competências. Avaliação por trabalho e exame final.

Software

R
SamIam

Palavras Chave

Ciências Físicas > Matemática > Estatística
Ciências Físicas > Matemática > Teoria das probabilidades
Ciências Físicas > Matemática > Estatística > Estatística médica

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	25,00
Trabalho prático ou de projeto	75,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Elaboração de projeto	21,00
Frequência das aulas	14,00
Trabalho de investigação	6,00
Total:	41,00

Obtenção de frequência

Participação em 75% das aulas.

Fórmula de cálculo da classificação final

Avaliação por trabalho (75%) e exame final (25%).