Aula 1Treinamento e validação de modelos: preparação de dados, divisão treino/teste, cross‑validation e métricas (sensibilidade, especificidade, AUC)Detalha o ciclo de treinamento e validação de modelos diagnósticos: preparação de dados, divisão treino‑teste, cross‑validation, tuning de hiperparâmetros e avaliação com sensibilidade, especificidade, AUC, calibração e análise de erros clínicos.
Limpeza, codificação e balanceamento de dadosEstratégias de divisão treino, validação e testeCross‑validation e tuning de hiperparâmetrosCálculo de sensibilidade, especificidade e AUCAnálise de erros, curvas de calibração e BrierAula 2Geração de recomendações acionáveis: níveis de probabilidade, sugestões de exames adicionais e alertas críticosFoca na tradução de probabilidades em recomendações clínicas acionáveis, definindo faixas de risco, sugestões de exames adicionais, condutas de seguimento e alertas críticos, sempre com rastreabilidade, justificativa e alinhamento a protocolos institucionais.
Definição de faixas de probabilidade de riscoRecomendações de exames complementaresAlertas críticos e escalonamento de cuidadoSugestões de seguimento e reavaliaçãoRegistro da justificativa da recomendaçãoAula 3Manejo de dados faltantes e imputação clínica seguraExplora estratégias para lidar com dados faltantes em contexto clínico, incluindo análise de padrão de ausência, imputação simples e múltipla, uso de categorias específicas e avaliação de impacto na calibração, segurança e interpretabilidade do modelo.
Identificação de padrões de dados ausentesImpacto clínico de ignorar dados faltantesImputação simples: média, mediana e modosImputação múltipla e modelos preditivosDocumentação e auditoria da imputaçãoAula 4Tipos de abordagens: regras baseadas em conhecimento, scores clínicos heurísticos e modelos estatísticos/MLCompara abordagens baseadas em conhecimento, escores heurísticos e modelos estatísticos ou de ML, discutindo quando usar cada tipo, requisitos de dados, transparência, manutenção, validação e integração em fluxos de trabalho de engenharia diagnóstica.
Sistemas de regras baseadas em guidelinesConstrução de escores heurísticos simplesModelos estatísticos clássicos em diagnósticoModelos ML supervisionados em triagemCritérios para escolher a abordagem adequadaAula 5Combinação de regras e probabilidade: fluxos híbridos (triagem rules → escore → recomendação)Descreve fluxos híbridos que combinam regras determinísticas e modelos probabilísticos, como triagem inicial por regras, cálculo de escore e geração de recomendação, visando segurança, eficiência, rastreabilidade e melhor aceitação clínica.
Triagem inicial baseada em regras simplesCálculo de escore clínico após triagemConversão de escore em probabilidade de riscoLógica de decisão para recomendações finaisMonitoramento do desempenho do fluxo híbridoAula 6Estratégias para tornar modelos interpretáveis aos clínicos: visualizações, explicações locais e regras derivadasExplora estratégias para tornar modelos diagnósticos compreensíveis aos clínicos, usando visualizações, explicações locais, regras derivadas e relatórios padronizados que favorecem confiança, auditoria e tomada de decisão segura à beira‑leito.
Dashboards de risco e curvas de probabilidadeMapas de calor, curvas ROC e calibração visualExplicações locais com SHAP e LIMEExtração de regras de árvores e ensemblesRelatórios clínicos padronizados do modeloAula 7Modelos ML aplicáveis: regressão logística, árvores de decisão, gradient boosting e modelos explicáveis (SHAP, LIME)Apresenta modelos de ML aplicáveis ao diagnóstico, como regressão logística, árvores de decisão e gradient boosting, discutindo vantagens, limitações, overfitting, interpretabilidade e uso de técnicas explicáveis como SHAP e LIME em cenários clínicos reais.
Revisão da regressão logística clínicaÁrvores de decisão e regras de divisãoGradient boosting e ensembles clínicosAplicação prática de SHAP em laudosUso criterioso de LIME em casos individuaisAula 8Definição de thresholds clínicos: como determinar pontos de corte com base em sensibilidade/especificidade desejadasDiscute como definir pontos de corte clínicos a partir de curvas ROC, sensibilidade, especificidade e razões de verossimilhança, equilibrando riscos de falso‑positivo e falso‑negativo, contexto clínico, custos e preferências de pacientes e serviços.
Leitura prática de curvas ROC e AUCEscolha de cutoffs por sensibilidade mínimaUso de especificidade e valores preditivosRazões de verossimilhança e nomogramasMúltiplos thresholds para zonas cinzentasAula 9Construção de escore clínico: seleção de variáveis, ponderação, calibração e limites de probabilidadeApresenta o processo de construção de escores clínicos: seleção de variáveis, atribuição de pesos, simplificação em pontos, calibração, definição de limites de probabilidade e validação, garantindo usabilidade à beira‑leito e robustez estatística.
Seleção de variáveis clinicamente relevantesDerivação de pesos a partir de modelosTransformação de coeficientes em pontosCalibração e reescalonamento do escoreValidação interna e externa do escoreAula 10Gestão de vieses e validação externa em subgrupos populacionaisAborda identificação, mensuração e mitigação de vieses em modelos diagnósticos, com foco em desempenho desigual entre subgrupos, desenho de validação externa, fairness clínica e documentação transparente para uso responsável em diferentes populações.
Tipos de vieses em modelos diagnósticosEstratificação por idade, sexo e etniaValidação externa em múltiplos centrosMétricas de fairness e impacto clínicoMonitoramento contínuo de desempenho por grupo
