Percorrer por autor "Manica, Santiago Andres Rodrigues"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Arquitetura Analítica Federada para Predição de Fratura Osteoporótica: Uma Prova de ConceitoPublication . Manica, Santiago Andres Rodrigues; Grilo, Carlos Fernando de Almeida; Miragaia, Rolando Lúcio Germano; Rodrigues, Ana Maria Ferreira; Taveira-Gomes, Tiago Salgado de MagalhãesA osteoporose representa um problema de saúde pública significativo, associado a fraturas de fragilidade que resultam em elevada morbilidade, mortalidade e custos económicos. A estratificação de risco tradicional, baseada em ferramentas como o FRAX, apresenta limitações na sua capacidade preditiva e generalização. Este trabalho propõe uma metodologia para a análise de dados de saúde em múltiplas instituições, focada na predição de fraturas osteoporóticas, que garante a reprodutibilidade e a segurança dos dados através da contentorização. O objetivo principal foi desenvolver e validar uma arquitetura analítica contentorizada (Docker + OMOP-CDM v5.4), assente no paradigma code-to-data e preparada para implementação federada em múltiplas instituições, em conformidade com o RGPD. Secundariamente, pretendeu-se implementar, sobre dados sintéticos de alta fidelidade, um pipeline de modelação preditiva e identificação de perfis de risco de fratura osteoporótica em adultos ≥50 anos, como prova de conceito para futura aplicação em dados clínicos reais. Foi desenvolvida uma infraestrutura analítica reprodutível e portátil, assente no paradigma code-to-data, que permite executar toda a análise de forma padronizada e segura em qualquer instituição de saúde, sem necessidade de transferência de dados sensíveis. O pipeline realiza a extração e pré-processamento de dados (formato OMOP-CDM), a modelação preditiva supervisionada (Random Forest, Gradient Boosting) e a análise de clustering não supervisionado (K-Means) para identificação de perfis de risco. A metodologia "trazer o código aos dados" (code-to-data) garante que os dados dos pacientes nunca saem da infraestrutura hospitalar, em conformidade com o RGPD. O resultado principal é um pacote de análise contentorizado, portátil e reprodutível, que permite a qualquer instituição com dados no formato OMOP-CDM executar um pipeline de análise de risco de fratura de forma padronizada. Os modelos de machine learning demonstraram capacidade para identificar fatores de risco complexos, enquanto o clustering permitiu a segmentação de pacientes em perfis de risco distintos. Validados sobre dados sintéticos, os modelos de machine learning demonstraram capacidade para identificar fatores de risco complexos e o clustering permitiu a segmentação em perfis de risco distintos. A arquitetura está preparada para implementação imediata com dados clínicos reais em ambiente federado. A metodologia de contentorização demonstrou ser uma solução eficaz e segura para a análise distribuída de dados de saúde, superando barreiras de privacidade e promovendo a investigação colaborativa. Este trabalho estabelece uma base técnica robusta para a implementação de estudos multicêntricos e de aprendizagem federada em Portugal, com potencial para melhorar a estratificação de risco e a prevenção de fraturas osteoporóticas.