Este documento descreve a carreira de um cientista de dados na área da saúde digital. Ele detalha seu histórico acadêmico e profissional, incluindo pesquisas em grandes empresas de tecnologia e agora na Philips. O documento também explica conceitos como ciência de dados, saúde digital, inteligência artificial na saúde e projetos em Unidades de Terapia Intensiva remotas.

1. A carreira de cientista de dados para
saúde digital
Dr. Mauro Pichiliani, Researcher/Data Scientist
mauro.pichiliani@philips.com, @pichiliani

2. Sumário
2
 Minha carreira
 Ciência de dados
 Cientista de dados
 Saúde digital
 AI em saúde digital
 Projetos em UTI remota

3. Histórico acadêmico e profissional
3
 Escola Técnica Oswaldo Cruz: técnico em processamento de dados (1995 - 1998)
 Faculdade São Judas Tadeu: bacharel em ciência da computação (1998 - 2002)
– Foco no mercado de trabalho
 Instituto de Tecnologia da Aeronáutica (ITA): Mestrado em ciência da computação (2002 - 2006)
– Pesquisa na área de sistemas colaborativos
 ITA/USP/UNC: Doutorado em ciência da computação (2010 - 2016)
– Pesquisa na área de sistemas colaborativos/engenharia de software
– Projeto com financiamento da FAPESP
– Doutorado sanduíche (Ciência sem fronteiras) na Universidade da Carolina do Norte (EUA)
 Pesquisa em Big techs:
– IBM Research (2016 - 2022)
– Samsung Research (2022 - 2023)
– Philips Enterprise Informatics (2023 - )

4. Projetos
4

5. Carreira de pesquisador/cientista
5
 Pesquisa em computação no Brasil geralmente é feita dentro da universidade
 Algumas empresas possuem laboratórios de pesquisa aplicada:
– Melhoria de produtos/serviços internos
– Patentes
– Projeto de inovação
– Compliance com órgãos regulatórios
 Institutos possuem linhas de pesquisa mais teóricas/ciência de base
 Pesquisa geralmente é aplicada para problemas do mundo real, mas:
– Contribuições científicas e acadêmicas (papers) são importantes!
– Projetos seguem linhas de pesquisa de interesse da instituição
– Sem pesquisa, possivelmente não teríamos diversos gadgets onipresentes

6. Pesquisas que levaram ao iPhone
6

7. O que é ciência de dados
7
 Ciência de dados é mais um termo usado para descrever o processo de transformação de dados
em conhecimento (Loukides, 2016)
 “Ciência de dados é um campo interdisciplinar sobre métodos científicos, processos e sistemas
usados para extrair conhecimento ou insights a partir dados de diversos formatos” [1]
 “Ciência de dados é um ‘conceito para unificar estatística, análise de dados e métodos
relacionados’ de modo a ‘compreender e analisar fenômenos atuais’ com dados” [2]
 [1] Dhar, V. (2013). “Data science and prediction”. Ref: https://dl.acm.org/doi/10.1145/2500499
 [2] Hayashi, Chikio (1998). “What is Data Science?”. Ref:
https://link.springer.com/chapter/10.1007/978-4-431-65950-1_3

8. Ciência de dados
8

9. Ciência de dados
9

10. O que é um cientista de dados?
10

11. O que o mercado espera - Requisitos
11
 Requisitos e qualificação (pleno):
 Requisitos e qualificação (sênior):

12. O que o mercado espera - Responsabilidades
12
 Responsabilidades (pleno):
 Responsabilidades (sênior):

13. Saúde digital (digital health)
13
 A aplicação das tecnologias de informação na área da saúde possui diversas frentes:

Clínica (chatbots, diagnóstico)

Terapêutica (descoberta de novas drogas)

Hospitalar (IA para Electronic Medical Records e Electronic Health Records)

Saúde pessoal (Wearables)

Genômica (descoberta de propensão a doenças)
 Diversas empresas de tecnologia estão investido também. Exemplo:

Samsung Digital Health

AWS Health Data Portfolio

Microsoft Healthcare

Philips Healthcare

14. Saúde digital – Healthtech Report 2023
14

15. AI na saúde
15
 Principais aplicações da AI na área da saúde:

Diagnóstico mais preciso e rápido

Aliviar a carga de trabalho de profissionais da saúde (automação)

Prever necessidades futuras de saúde (recursos hospitalares)

Descoberta e testes de novos medicamentos

Formação de novos profissionais
 Desafios:

Caraterísticas dos dados: faltantes, incompletos, inconsistentes

Questões operacionais de adoção da tecnologia

Pouca margem para erros

Processos regulatórios

+ desafios comuns de AI (viés, privacidade, discriminação, transparência)

16. Gen AI na saúde
16
 Generative AI: tecnologia capaz de gerar dados que se parecem muito com o conteúdo gerado
por seres humanos
 Exemplos mais comuns: ChatGPT, BARD, DALL-E
 Usos de Gen AI na saúde:

Escrita e sumarização de manuais e documentação técnica

Geração de dados sintéticos (texto e imagem)

Chatbots para a saúde (dúvidas, terapias baseadas em conversa, burocracia)

Automação de processos manuais (checagem de documentação)

Auxílio de diagnóstico (suportando especialistas na escrita do laudo)

Gerenciamento de conhecimento técnico (sumarização de referências)

17. Projetos em UTI remota
17
 Ambiente de UTI (Unidade de Terapia Intensiva) possui dados em abundância:

Monitoração cardiorrespiratória contínua

Exames de laboratório

Anotações médicas e da enfermagem
 Plataforma PhysioNet (physionet.org): datasets públicos e anonimizados com dados de UTI
 Graças à pandemia o uso de UTIs remotas se intensificou
 Neste contexto diversos usos de AI são propostos:

Prever progresso da doença

Predição de intervenção (ex: intubação)

Predição de choques (anafiláticos, cardiogênico, hipovolêmico)

LOS (Length of Stay): Tempo de duração na UTI

Probabilidade de retorno para a UTI depois de alta

18. Perguntas?
18
Dr. Mauro Pichiliani
mauro.pichiliani@philips.com
@pichiliani