Informations du cours

Esta unidade curricular introduz os métodos de aprendizagem automática e estatística aplicados às ciências da saúde, com o R como ferramenta central de trabalho. O objectivo não é a mera utilização de ferramentas, mas a capacidade de escolher, implementar, validar e interpretar modelos de forma fundamentada: as ferramentas não substituem a compreensão, e métodos mal aplicados produzem conclusões aparentemente sólidas mas erradas. A reprodutibilidade, documentar cada passo dos dados em bruto ao resultado, e a literacia estatística são, por isso, fios condutores de todo o módulo.
Ao longo da unidade percorrem-se os principais paradigmas de aprendizagem: supervisionada (classificação e regressão), não supervisionada (clustering e redução de dimensionalidade), semi-supervisionada e por reforço, e os algoritmos que os concretizam: regressão linear e logística, árvores de decisão, florestas aleatórias, LASSO, máquinas de vectores de suporte, análise de componentes principais e redes neuronais. Discute-se o contraste e a complementaridade entre a estatística tradicional, orientada a hipóteses, e as abordagens dirigidas pelos dados, capazes de captar relações não-lineares em dados de elevada dimensão. Dá-se particular atenção às estratégias de validação interna (hold-out, validação cruzada, bootstrapping), sem as quais nenhum modelo merece confiança.
O enquadramento é deliberadamente clínico: diagnóstico, estratificação de risco, análise de imagem, predição de desfechos e medicina personalizada, com referência às questões éticas e regulamentares inerentes à IA em saúde; privacidade, viés algorítmico, transparência, supervisão humana e enquadramentos como o AI Act. No final, espera-se que o estudante seja capaz de estabelecer pipelines de análise adequados a cada objectivo de estudo, seleccionar o procedimento mais apropriado em função dos dados, aplicar validação interna rigorosa e interpretar correctamente os modelos desenvolvidos, construindo-os de forma autónoma em R.