Imagem de Renato Marcos Endrizzi Sabbatini
CBIS 2016 Tutorial: Introdu√ß√£o ao Big Data e Suas Aplica√ß√Ķes em Sa√ļde (Prof.Renato Sabbatini)
por Renato Marcos Endrizzi Sabbatini - segunda, 7 novembro 2016, 19:59
 
Introdu√ß√£o ao Big Data e Suas Aplica√ß√Ķes em Sa√ļde

CBIS 2016

Dia 27/11/2016 - 14:00 √°s 17:00
Centro de Conven√ß√Ķes Goi√Ęnia - XV CBIS2016

Objetivo:

Proporcionar uma introdu√ß√£o compacta e intensiva ao novo campo de an√°lise de grandes volumes de dados na √°rea de biologia, medicina e sa√ļde, e quais s√£o as principais abordagens e solu√ß√Ķes t√©cnicas e cient√≠ficas para a descoberta e aplica√ß√£o de novos conhecimentos na √°rea.

Ementa:

1. A explora√ß√£o de grandes volumes de dados em sistemas de sa√ļde. Impactos das tecnologias digitais. Objetivos finais: descoberta e aplica√ß√£o de novos conhecimentos. O que s√£o: Dados, informa√ß√£o, conhecimento, sabedoria. Constru√ß√£o de modelos. As opera√ß√Ķes cognitivas: indu√ß√£o, dedu√ß√£o e abdu√ß√£o. Tipos de dados biol√≥gicos e de sa√ļde: qualitativos e quantitativos. Dados georeferenciados. As fontes de dados, e sua dimensionalidade, exemplos. Formas de representa√ß√£o do conhecimento. Exemplo: IBM Watson. Modelos l√≥gicos: Regras, redes sem√Ęnticas. Modelos quantitativos: determin√≠sticos e probabil√≠sticos. Modelos conexionistas: redes neurais artificiais, modelos gen√©ticos. An√°lise e reconhecimento de padr√Ķes. Intelig√™ncia artificial, singularidade.

2. Tipos de abordagens e principais tecnologias: defini√ß√£o e diferen√ßas entre Business Intelligence (BI), Big Data (BD), Data Analytics (DA), Data Integration (DI), Data Warehousing (DW), Data Mining (DM), Machine Learning (ML), Cognitive Computing (CC), Deep Learning (DL), Machine Intelligence (MI): suas aplica√ß√Ķes e utilidades modernas. Impactos cient√≠ficos, assistenciais, operacionais, administrativos, financeiros e sist√™micos. Import√Ęncia: grandes empresas de tecnologia e empresas especializadas. Os quatro tipos de Data Analysis: descritiva, diagn√≥stica, preditiva e prescritiva. Exemplos em duas √°reas: cl√≠nica e gerencial.

3. Como implementar Big Data: as nove fases de um projeto de Data Analytics. ERL: Extract, Reduce and Load. Ci√™ncia anal√≠tica: estat√≠stica, modelagem, simula√ß√£o. Teste de hip√≥teses. An√°lise multivariada: alguns tipos: regress√£o linear e log√≠stica. Componentes principais e an√°lise de aglomerados. Padr√Ķes de representa√ß√£o de dados. Tecnologias e infraestrutura de inform√°tica. Coleta autom√°tica, armazenamento e computa√ß√£o em nuvens, redes e clusters. Computa√ß√£o paralela e de alto desempenho. Exemplos de plataformas, bases de dados e aplicativos para a implementa√ß√£o. Hadoop, Hbase, MapReduce, TensorFlow e outros. Softwares de an√°lise (EpiInfo/EpiMap, SAS, SPSS, Weka, Tableau, R, Python, etc.). A quest√£o da qualidade dos dados.

4. Aplica√ß√Ķes futuras: medicina de precis√£o, sinergia entre as √īmicas (gen√īmica, prote√īmica, etc.) e o Big Data. Sa√ļde p√ļblica.

5. Como aprender mais e tornar-se um especialista em Data Science em Sa√ļde. Centros de pesquisa. Bibliografia e cursos.

Instrutor: Prof Dr. Renato M. E. Sabbatini, PhD, CPHIMS Graduado e doutorado em fisiologia pela Faculdade de Medicina de Ribeir√£o Preto da USP, desde 1972 √© pesquisador e professor em inform√°tica em sa√ļde e bioestat√≠stica. Foi professor da USP (1972-1983) e da UNICAMP (1983-2003) nessas √°reas, atualmente atua no Instituto Edumed, Instituto HL7 Brasil e Associa√ß√£o IHE Brasil. Consultor nas √°reas de certifica√ß√£o de softwares em sa√ļde, seguran√ßa de sistemas de informa√ß√£o e Big Data/Data Integration & Analytics e padr√Ķes de informa√ß√£o e interoperabilidade em sa√ļde.

Email: sabbatini@edumed.org.br.
Home page: www.renato.sabbatini.com