Extração de Conhecimento de Dados em Saúde

Código:

OPT42

Sigla:

ECD

Áreas Científicas
Classificação	Área Científica
OFICIAL	Medicina

Ocorrência: 2022/2023 - 1S

Ativa?	Não
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	0	Plano Oficial 2021	3	-	2	19	54

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

Nesta unidade curricular serão abordados métodos de aprendizagem automática para a prospeção e extração de conhecimento de dados (data mining) na área da saúde.

Resultados de aprendizagem e competências

Esta unidade curricular visa capacitar os alunos com os conhecimentos e competências necessários para: identificar problemas onde as técnicas de prospeção de dados podem ser aplicadas; aplicar métodos de modelação de dados e, especificamente, aplicar técnicas de aprendizagem automática; ser capaz de interpretar resultados no contexto da medicina prática e da investigação clínica nos serviços de saúde.

Modo de trabalho

Presencial

Programa

Machine learning e data mining (introdução, cenários de aplicação, processo de data mining; características específicas da área da saúde); modelação de dados, pré-processamento de dados médicos, qualidade de dados em saúde; aprendizagem automática supervisionada (árvore de decisão, classificação Bayesiana, redes neuronais); aprendizagem automática não supervisionada (análise de clusters, análise de casos desviantes, associação e análise de padrões frequentes); avaliação de técnicas de aprendizagem automática (modelos de classificação, clustering).

Software: RapidMiner, Orange, R

Bibliografia Obrigatória

Jiawei Han, Micheline Kamber and Jian Pei; Data Mining: Concepts and Techniques, Morgan Kaufmann, 2011
Ana Carolina Lorena, Katti Faceli, Márcia Oliveira, André Ponce de Leon Carvalho, João Gama; Extração de Conhecimento de Dados - Data Mining, Edições Silabo, 2012
Cruz-Correia RJ et al; Data Quality and Integration Issues in Electronic Health Records In: Hristidis V (ed.). Information Discovery on Electronic Health Records, Chapman and Hall, 2009
Vijay Kotu, Bala Deshpande; Predictive Analytics and Data Mining: Concepts and Practice with RapidMiner, Morgan Kaufmann, 2014

Métodos de ensino e atividades de aprendizagem

Aulas teóricas (4h) e teórico-práticas (8h) com apresentação e discussão de temas, exercícios em grupo e individuais, para resolução de problemas práticos em cenários de saúde, com utilização de software específico para desenvolvimento de competências. Orientação tutorial (7 horas) para acompanhamento dos trabalhos.

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Trabalho escrito	80,00
Participação presencial	20,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	2,00
Estudo autónomo	15,00
Frequência das aulas	12,00
Trabalho de investigação	25,00
Total:	54,00

Obtenção de frequência

A obtenção de frequência será a definida no regulamento da FMUP, ou seja 75% das aulas.

Fórmula de cálculo da classificação final

Avaliação dos trabalhos individuais e de grupo propostos (80%), com apresentação oral (20%).

Provas e trabalhos especiais

Não estão previstas provas ou trabalhos especiais.

Avaliação especial (TE, DA, ...)

Os estudantes com estatutos especiais poderão realizar as apresentações dos trabalhos em data a agendar no fim do semestre. Se for esse o caso, terão que o comunicar por escrito (e-mail) à regência da Unidade Curricular, até final de outubro.