Aula 1Fundamentos da fisiopatologia da sepse e critérios clínicos (SIRS, qSOFA, SOFA, Sepsis-3)Revisa a biologia da sepse e a resposta do hospedeiro, ligando esses mecanismos a sinais à beira-leito como hipotensão, taquicardia e disfunção orgânica. Compara critérios SIRS, qSOFA, SOFA e Sepsis-3 e seu uso no triagem de emergência.
Resposta do hospedeiro à infecção e disfunção orgânicaAlterações hemodinâmicas e falha microcirculatóriaSIRS, qSOFA, SOFA: componentes e limiaresDefinição Sepsis-3 e critérios de choque sépticoLimitações dos escores clínicos na emergênciaAula 2Segurança, modos de falha e mitigação: falsos positivos/negativos, deriva de modelo, problemas de qualidade de dados, entradas adversáriasIdentifica riscos de segurança como falsos positivos, falsos negativos, deriva de modelo e baixa qualidade de dados. Explora entradas adversárias ou inesperadas, monitoramento robusto, proteções, supervisão humana e processos para atualizações seguras de modelos.
Falsos positivos, falsos negativos e modos de danoVerificações de qualidade de dados e detecção de anomaliasDeriva de modelo, recalibração e retreinamentoTratamento de entradas adversárias ou inesperadasSupervisão humana, sobrescritas e governançaAula 3Métricas de avaliação e estratégias de validação para predição de sepse: AUROC, AUPRC, calibração, tempo de antecedência, análise de curva de decisãoDefine métricas chave de desempenho para predição de sepse, incluindo AUROC, AUPRC, calibração e tempo de antecedência. Explica validação interna e externa, validação temporal e análise de curva de decisão para avaliação de utilidade clínica.
AUROC, AUPRC e desequilíbrio de classesCurvas de calibração e estratificação de riscoTempo de antecedência e desempenho específico por horizonteValidação interna, externa e temporalAnálise de curva de decisão e benefício líquidoAula 4Engenharia de features e modelagem temporal: pré-processamento de séries temporais, janelas deslizantes, extração de tendênciasExplica como limpar e alinhar dados de séries temporais de emergência para modelagem. Abrange ressampling, tratamento de intervalos irregulares, janelas deslizantes, features de tendência e variabilidade, e codificação de intervenções e contexto clínico ao longo do tempo.
Alinhamento temporal, ressampling e interpolaçãoJanelas deslizantes e horizontes de prediçãoFeatures de tendência, variabilidade e derivadasCodificação de intervenções e escalada de cuidadosTratamento de séries temporais irregulares e esparsasAula 5Modelos de machine learning para predição de risco agudo: regressão logística, árvores impulsionadas por gradiente, RNNs, redes convolucionais temporais, séries temporais baseadas em transformersCompara abordagens de modelagem para predição de risco agudo de sepse, desde regressão logística até árvores impulsionadas por gradiente e modelos profundos de sequências. Destaca forças, limitações, interpretabilidade e adequação às restrições de tempo de emergência.
Regressão logística e escolhas de regularizaçãoÁrvores impulsionadas por gradiente e importância de featuresRedes neurais recorrentes para sequênciasRedes convolucionais temporais para séries temporaisTransformers para dados clínicos de séries temporaisAula 6Modalidades de dados para detecção de sepse em tempo real: sinais vitais, exames laboratoriais, anotações de enfermagem, medicamentos, formas de ondaDescreve fluxos de dados em tempo real chave na emergência, incluindo sinais vitais, testes laboratoriais, medicamentos, documentação de enfermagem e formas de onda fisiológicas. Discute taxas de amostragem, confiabilidade e como cada modalidade sinaliza sepse em evolução.
Sinais vitais e feeds de monitoramento contínuoPainéis laboratoriais, culturas e tempos de retornoOrdens de medicamentos, fluidos e vasopressoresAnotações de enfermagem, texto de triagem e fluxogramasFormas de onda de monitores e dispositivos à beira-leitoAula 7Integração com fluxos de trabalho de emergência e sistemas EHR: fluxos de eventos, FHIR, HL7, apps SMART on FHIR, CDS HooksDescreve como modelos de IA para sepse se integram a fluxos de trabalho de emergência e EHRs. Revisa fluxos de eventos, HL7, recursos FHIR, apps SMART on FHIR e CDS Hooks, enfatizando usabilidade, confiabilidade e mínima disrupção à prática clínica.
Arquiteturas orientadas a eventos e fluxos de dadosRecursos HL7 e FHIR para sinais de sepseApps SMART on FHIR para suporte à decisão à beira-leitoCDS Hooks para recomendações contextuaisMapeamento de fluxos de trabalho e testes de usabilidadeAula 8Design de alertas clínicos e fatores humanos: limiares, mitigação de fadiga de alarme, fluxos de escalada, quem recebe alertasCobre princípios de design de alertas para clínicos de emergência, incluindo seleção de limiares, alertas em camadas e roteamento para papéis apropriados. Aborda fadiga de alarme, timing de alertas, caminhos de escalada e apresentação de explicações e contexto.
Escolha de limiares e camadas de alertasFadiga de alarme e estratégias de supressãoQuem recebe alertas e por quais canaisFluxos de escalada e suporte a handoffsExplicação de alertas e provisão de contextoAula 9Requisitos regulatórios e de evidências para IA diagnóstica: considerações FDA/CMS, design de estudos de validação clínica, pilotos prospectivos, padrões de relatório (TRIPOD, CONSORT-AI)Descreve expectativas regulatórias e de evidências para IA diagnóstica em sepse, incluindo caminhos FDA, considerações CMS e validação clínica. Revisa pilotos prospectivos e padrões de relatório como TRIPOD e CONSORT-AI.
Caminhos FDA para ferramentas de suporte diagnósticoCMS, reembolso e programas de qualidadeDesign de estudos robustos de validação clínicaPilotos prospectivos e implantações faseadasOrientação de relatório TRIPOD e CONSORT-AIAula 10Considerações de frequência de implantação e latência: streaming quase em tempo real vs pontuação em lote, tratamento de dados ausentes e atrasadosDiscute arquiteturas de implantação para modelos de sepse, comparando streaming quase em tempo real com pontuação em lote. Aborda orçamentos de latência, tratamento de dados ausentes ou atrasados, retroalimentação e monitoramento da saúde do pipeline de dados na emergência.
Streaming quase em tempo real vs pontuação em loteOrçamentos de latência e definições de SLAImputação para entradas ausentes e atrasadasRetroalimentação, replay e dados chegados tardeMonitoramento de pipelines e resiliência do sistema
