Glossário por área de atuação profissional

1. Ciência de dados, engenharia de dados e inteligência analítica

CSV: Comma-Separated Values; formato tabular simples utilizado para representar dados em 
linhas e colunas, com valores separados por delimitadores, sendo comum em planilhas, 
exportações operacionais e intercâmbio entre sistemas.

Dashboard: painel visual usado para acompanhar indicadores, tendências, alertas, desempenho e
evolução de processos ou sistemas.

Drift: mudança no comportamento dos dados, da população, da tecnologia ou de um modelo ao longo 
do tempo, podendo afetar desempenho e interpretação.

ETL/ELT: processos de extração, transformação e carregamento de dados entre sistemas. 
- No ETL, a transformação ocorre antes do carregamento; 
- No ELT, os dados são carregados primeiro e transformados posteriormente no ambiente de destino.

JSON: formato textual estruturado para representar e transportar dados em pares de 
chave e valor.

Metadados: dados que descrevem outros dados, como origem, unidade, método, horário, versão, autor, 
equipamento ou contexto de coleta.

Missing: dado ausente em uma base, registro ou campo esperado, podendo refletir erro, informação não 
coletada ou característica do processo.

Outlier: valor discrepante em relação ao padrão esperado, que pode indicar erro, evento raro, variação
operacional ou característica clínica relevante.

Parquet: formato colunar eficiente para armazenamento e análise de grandes volumes de dados.

Pipeline: sequência organizada de etapas para coletar, validar, transformar, analisar, disponibilizar ou
monitorar dados.

Quality gate: etapa de validação que bloqueia dados inválidos, incompletos ou incoerentes antes da 
análise, publicação ou uso operacional.

SQL: Structured Query Language; linguagem padronizada utilizada para consultar, organizar, manipular 
e administrar bancos de dados relacionais, sendo fundamental em ambientes de análise, governança e 
integração de dados.

Timestamp: marca temporal que registra quando um dado foi criado, recebido, alterado, validado ou utilizado.

2. Interoperabilidade, governança, IA e cibersegurança

DICOM: padrão internacional para armazenamento, transmissão e comunicação de imagens médicas 
e seus metadados.

FHIR: padrão da HL7 para troca estruturada de informações clínicas entre sistemas de saúde.

Interoperabilidade: capacidade de sistemas diferentes trocarem, interpretarem e utilizarem dados 
de forma consistente.

LGPD: Lei Geral de Proteção de Dados Pessoais, norma brasileira sobre tratamento de dados pessoais
e sensíveis.

MFA: autenticação multifator, que exige mais de uma forma de verificação para confirmar a identidade 
do usuário.

Prompt injection: ataque em que texto malicioso tenta manipular o comportamento, as instruções ou
as saídas de um modelo de IA.

3. Saúde digital, medicina, dispositivos médicos e interoperabilidade clínica

DMIA: Dispositivo Médico Inteligente Assistido por IA, com recursos computacionais para
monitorar, analisar ou apoiar decisões.

Frequência cardíaca: número de batimentos cardíacos por minuto, parâmetro quantitativo
essencial na avaliação clínica.

Tecnovigilância: monitoramento de eventos adversos, falhas, riscos e desempenho de
produtos e dispositivos médicos.

1. Introdução

A assistência médica contemporânea produz dados continuamente. 
•	um monitor multiparamétrico gera séries temporais; 
•	um laboratório produz valores discretos; 
•	um dispositivo médico inteligente (DMIA) registra telemetria; 
•	o prontuário eletrônico acumula diagnósticos, prescrições e evoluções; 
•	profissionais descrevem sinais, impressões e eventos em linguagem natural; 
•	pacientes relatam sintomas e experiências. 

O desafio deixou de ser apenas obter dados. Passou a ser:
•	decidir quais dados são necessários, 
•	como coletá-los com qualidade, 
•	como combiná-los,
•	como impedir que sua interpretação automática gere uma falsa sensação 
de precisão.

Uma decisão clínica assistida por IA pode falhar mesmo quando o algoritmo 
é sofisticado:
•	se a pressão arterial estiver registrada na unidade errada, 
•	se um dado estiver associado ao paciente incorreto, 
•	se um relato crítico for omitido, 
•	se um dispositivo transmitir valores adulterados,
•	se um modelo sintetizar equivocadamente uma narrativa.

Em casos como os descritos acima, a saída computacional poderá ser coerente
e, ainda assim, clinicamente inadequada. Na Medicina Inteligente, qualidade de
dados e cibersegurança tornam-se componentes da segurança do paciente.

Dados são coletados porque ajudam a responder a uma questão clínica, operacional, 
epidemiológica ou de segurança. Essa orientação evita o acúmulo indiscriminado de
informação e aproxima análise de dados, governança e prática assistencial.

2. Quantitativo e qualitativo: perspectivas que se complementam

# 2.1 Dados quantitativos
Dados quantitativos são expressos numericamente e permitem:
•	mensuração, 
•	comparação, 
•	análise estatística. 

Na saúde são incontáveis, são alguns exemplos:
1.	frequência cardíaca, 
2.	pressão arterial, 
3.	saturação periférica de oxigênio, 
4.	temperatura, 
5.	peso, 
6.	diurese, 
7.	concentração de biomarcadores, 
8.	escores, 
9.	doses, 
10.	tempos de espera, 
11.	tempo de coagulação sanguínea, 
12.	duração de internação, 
13.	taxa de eventos adversos,
14.	percentual de sensibilidade e especificidade,
15.	valores epidemiológicos, 
16.	frequência de alarmes de um DMIA. 

Eles ajudam a responder perguntas como:
•	“quanto?”, 
•	“com que frequência?”, 
•	“quando?”
•	“onde?”.

• A aparente objetividade do número não elimina o contexto. Um valor pode estar 
correto do ponto de vista computacional e incorreto do ponto de vista clínico por
erro de unidade, calibração, janela temporal, população de referência ou vinculação
ao paciente. Por isso, qualidade quantitativa exige:
1.	metadados, 
2.	unidade de medida, 
3.	origem, 
4.	timestamp, 
5.	método,
6.	rastreabilidade.

# 2.2 Dados qualitativos
Dados qualitativos descrevem características, circunstâncias e significados. São 
exemplos:
1.	narrativa da anamnese, 
2.	evolução clínica, 
3.	impressão diagnóstica, 
4.	descrição de ferida, 
5.	relato de dor, 
6.	comentários de pacientes, 
7.	justificativas de conduta, 
8.	registros de incidentes,
9.	observações de tecnovigilância. 

Esses dados tendem a responder:
•	“por quê?”, 
•	“como?”, 
•	“em que contexto?”
•	“com qual percepção?”.

• A IA generativa e técnicas de processamento de linguagem natural permitem classificar, 
resumir, extrair entidades e identificar temas em milhares de textos. O ganho de escala, 
entretanto, não garante ganho equivalente de qualidade. 

• A síntese automatizada pode ser alterada por alguns tipo de situações, influenciando o
significado das palavras. São elas:
1.	ambiguidade, 
2.	negação, 
3.	ironia, 
4.	abreviações,
5.	contexto temporal,
6.	linguagem especializada
7.	regionalismo linguístico. 

# 2.3 Dados mistos e multimodais
A situação mais realista é multimodal. 
•	um paciente pode ter uma queda de pressão arterial (quantitativo), 
•	uma descrição de “pele fria e sudorese” (qualitativo), 
•	uma imagem de ultrassom (DICOM), 
•	um conjunto de medicações (dados estruturados) e telemetria de dispositivo. 

• A decisão clínica emerge da combinação. Sistemas de IA capazes de integrar modalidades 
diferentes devem preservar proveniência, temporalidade e incerteza de cada fonte, 
evitando converter heterogeneidade em uma única “certeza” artificial. 

3. Formatos computacionais e padrões: o que usar para cada tipo de dado

Não existe um formato universal para “dado qualitativo” ou “dado quantitativo”. É útil
separar quatro conceitos: 

1.	formato de arquivo:
•	JSON, 
•	CSV,
•	Parquet

2.	modelo de dados:
•	DICOM padroniza comunicação e objetos de imagem médica

3.	padrão de interoperabilidade:
•	FHIR é um padrão de intercâmbio com recursos e regras próprias 

4.	terminologia clínica. 
•	SNOMED CT e LOINC são exemplos de terminologias/codificações semânticas. 

Um sistema maduro escolhe a representação em função do uso pretendido.

# Legenda
1. Tipo de informação	
2. Exemplos	
3. Representação comum	
4. Vantagem	
5. Cuidado principal

A)
1. Quantitativa tabular	
2. sinais vitais, exames, tempos, contagens	
3. CSV, Parquet, SQL, planilhas	
4. estatística e séries temporais	
5. unidades, missing, outliers, timestamp

B)
1. Qualitativa textual
2. evoluções, incidentes, relatos
3. texto UTF-8, JSON, bancos documentais	
4. preserva contexto e linguagem	
5. PHI, ambiguidade, negação, viés

C)
1. Interoperabilidade clínica	
2. observações, pacientes, dispositivos	
3. FHIR em JSON/XML/Turtle	
4. estrutura clínica interoperável	
5. perfil, terminologia e validação

D)
1. Imagem médica	
2. TC, RM, US, radiografia	
3. DICOM	
4. metadados + imagem + comunicação	
5. desidentificação e segurança do transporte

5)
1. Telemetria/stream	
2. DMIA, IoMT, sensores	
3. JSON/NDJSON, mensageria, séries temporais	
4. processamento contínuo	
5. autenticidade, replay, sincronização temporal

# Ponto-chave: 
1. JSON é excelente para transportar estruturas complexas e é usado no FHIR, 
mas não deve ser chamado de “padrão universal dos dados qualitativos”. 

2. Para análises numéricas em larga escala, formatos colunares como Parquet
podem ser mais eficientes;

3. Para interoperabilidade clínica, o elemento decisivo é aderir ao padrão e à 
semântica, não apenas ao contêiner

4. Do problema clínico ao dado: um ciclo orientado por perguntas

Uma cultura orientada por dados começa pela decisão que precisa ser qualificada e
pelas perguntas que precisam ser respondidas. O ciclo pode ser representado como:

# Legenda:
1.	Pergunta
2.	Coleta
3.	Validação
4.	Análise
5.	HITL
6.	Ação
7.	Auditoria

1.	Formular a pergunta clínica ou de segurança. Ex.: “Há aumento de alarmes de
 oclusão em determinado modelo de bomba de infusão?”

2. Definir o dado mínimo necessário, sua fonte, periodicidade, unidade e
 responsabilidade por sua qualidade.

3. Validar integridade, completude, consistência, unicidade, atualidade e 
plausibilidade antes da análise.

4. Aplicar métodos analíticos apropriados: estatística descritiva, séries
temporais, NLP, regras, modelos preditivos ou combinação multimodal.

5. Inserir validação humana nos pontos em que erro ou incerteza possa 
afetar paciente, dispositivo, fluxo assistencial ou comunicação institucional.

6. Registrar decisão

7. Analisar justificativa, fonte dos dados, versão do modelo e resultado, 
criando aprendizado contínuo e auditável.

5. Boas práticas de qualidade e governança de dados

•	Finalidade e minimização: coletar somente o necessário para uma finalidade legítima, reduzindo
exposição e ruído analítico.

•	Dicionário de dados: definir nomes, tipos, unidades, intervalos válidos, códigos, origem e significado
dos campos.

•	Identificadores consistentes: vincular registros por identificadores confiáveis e evitar correlação por
nome/data quando houver chave própria.

•	Validação na entrada: rejeitar valores impossíveis, unidades incompatíveis, timestamps inválidos e
campos críticos ausentes.

•	Proveniência: registrar de onde veio o dado, quem o criou ou alterou, quando, por qual sistema e 
em qual versão.

•	Controlar mudanças: versionar pipelines, prompts, regras, modelos e transformações de dados.

•	Testes de migração: conferir amostras, reconciliação de contagens, duplicidades, perdas e 
alterações semânticas antes de desativar sistemas antigos.

•	Desidentificação/pseudonimização: reduzir dados identificáveis em pesquisa, desenvolvimento, 
testes e treinamento sempre que possível.

•	Monitoramento contínuo: detectar drift, mudanças de distribuição, campos nulos, padrões 
inesperados e falhas de integração.

•	Revisão clínica: estabelecer responsáveis por validar relatórios, alertas, classificações e mudanças
relevantes produzidas por IA.

6. Análise e ferramentas

As ferramentas devem ser escolhidas por:
1. finalidade, 
2. maturidade institucional, 
3. risco,
4. capacidade de governança. 

• uma planilha bem desenhada pode ser adequada a uma equipe pequena; 

• um ambiente de produção clínica requer controles mais robustos, trilhas de auditoria, gestão 
de identidade, segregação de funções, versionamento e monitoramento.

# Legenda
1. Camada	
2. Ferramentas/exemplos	
3. Uso	
4. Risco a controlar

A)
1. Coleta/automação	
2. n8n, APIs, ETL/ELT	
3. captura, integração e agendamento	
4. credenciais, webhooks, dados em trânsito

B)
1. Tabular	
2. Excel/Sheets, SQL, Pandas	
3. limpeza, agregação e estatística	
4. erros manuais, acesso excessivo

C)
1. Visualização	
2. Looker Studio, Power BI	
3. dashboards e tendências	
4. exposição de dados e interpretação simplista

D)
1. Texto/NLP	
2. LLMs, classificadores, embeddings	
3. temas, resumo, extração	
4. alucinação, prompt injection, PHI

E)
1. Interoperabilidade	
2. FHIR APIs, DICOMweb	
3. troca clínica entre sistemas	
4. autenticação, autorização, perfil semântico

F)
1. Auditoria	
2. logs, SIEM, FHIR AuditEvent/Provenance	
3. rastreabilidade e investigação	
4. integridade do log e retenção

7. Cibersegurança: proteger o significado clínico do dado

• Dados de saúde são pessoais sensíveis pela LGPD; na Medicina Inteligente, sua
proteção deve abranger:
1. confidencialidade, 
2. integridade, 
3. disponibilidade, 
4. autenticidade,
5. rastreabilidade.

• A integridade é crítica, pois podem induzir decisões clínicas erradas mesmo sem
vazamento de dados alterações discretas:
1. em exames, 
2. timestamps, 
3. parâmetros de DMIA,
4. vínculos paciente-exame

•	Controle de identidade e acesso com:
1. autenticação forte, 
2. MFA quando aplicável, 
3. menor privilégio,
4. revisão periódica.

•	Conforme arquitetura e risco, a criptografia será específica para dados:
1. em trânsito,
2. em repouso.

•	Interoperabilidade segura com
1. autenticação, 
2. autorização, 
3. TLS,
4. auditoria.

• FHIR não substitui controles de segurança.

•	Combater adulteração com:
1. Auditoria, 
2. Proveniência,
3. Logs protegidos..

•	Segmentação de rede para separar:
1. DMIA/IoMT, 
2. sistemas clínicos, 
3. rede administrativa,
4. ambientes de teste.

•	Gestão de vulnerabilidades com inventário, 
1. SBOM quando aplicável, 
2. correções, 
3. CVEs, 
4. plano de resposta,
5. avaliação de impacto clínico.

•	Proteção de segredos e credenciais, evitando workflows com:
1. chaves, 
2. tokens,
3. senhas, 
4. planilhas, 
5. scripts
6. prompts.

•	Defesa contra prompt injection e exfiltração, 
1. tratar texto externo como dado não confiável,
2. validar saídas antes de ações consequentes.

•	Perante indisponibilidade digital:
1. Criar backups testados,
2. Planos de continuidade assistencial.

•	No ecossistema de imagens, o DICOM PS3.15 2026c contempla:
1. transporte seguro, 
2. assinatura digital, 
3. auditoria, 
4. sincronização temporal,
5. confidencialidade de atributos.

•	A orientação do FDA revisada em 02/2026 reforça a incorporação da cibersegurança:
1. ao sistema de qualidade,
2. ao ciclo de vida de dispositivos com risco cibernético.

•	No Brasil, a RDC Anvisa nº 657/2022 regula SaMD. A classificação depende:
1. do uso de IA,
2. da finalidade,
3. do enquadramento do software.

8. Human-in-the-Loop: da automação para a assistência responsável

A inclusão deliberada de um profissional no fluxo não é um “atraso” da automação, mas sim 
de medida de controle de risco. O HITL deverá ser empregado quando a saída da IA for:
1.	comunicar uma conclusão clínica, 
2.	priorizar atendimento, 
3.	modificar prescrição médica,
4.	solicitar exames invasivos, atípicos, de alto custo,
5.	indicar qualquer tipo de procedimento cirúrgico,
6.	alterar parâmetro de dispositivo, 
7.	gerar documento institucional,
8.	desencadear ação de segurança, 
9.	indicar alta hospitalar.

•	A IA prepara, organiza ou sinaliza; o profissional válida a conclusão e o contexto.

•	O sistema deve exibir fontes, dados ausentes e incerteza, e não apenas uma 
resposta final.

•	A aprovação ou rejeição deve ser registrada com timestamp, identidade do revisor
e versão do modelo/prompt.

•	Rejeições devem retroalimentar o processo de melhoria, sem que o modelo “aprenda” 
automaticamente de dados clínicos não validados.

9. Desafios

•	Fragmentação e baixa interoperabilidade entre prontuários, dispositivos, laboratórios e 
sistemas administrativos.

•	Dados históricos sem identificadores confiáveis, com perda de vínculo entre eventos 
e pacientes.

•	Unidades, terminologias e formatos inconsistentes entre instituições e fornecedores.

•	Dados faltantes não aleatórios: ausência de informação pode refletir gravidade, acesso, 
fluxo assistencial ou erro de processo.

•	Viés de seleção e representatividade: bases locais podem não refletir outras populações 
ou serviços.

•	Drift clínico e tecnológico: mudanças de protocolos, equipamentos, população e software 
alteram o significado dos dados ao longo do tempo.

•	Privacidade e uso secundário: treinamento, pesquisa e melhoria de modelos exigem base
legal, governança e minimização adequadas.

•	Shadow AI: profissionais podem copiar dados sensíveis para ferramentas não aprovadas, 
criando risco de confidencialidade e governança.

•	Automação sem observabilidade: workflows podem continuar “funcionando” tecnicamente 
enquanto produzem dados incompletos ou semanticamente errados.

•	Excesso de dashboards: visualizar métricas sem transformar achados em ações mensuráveis
gera aparência de controle, não governança efetiva.

10. Cenários clínico-computacionais fictícios

• Os exemplos seguintes usam dados sintéticos e têm finalidade exclusivamente educacional. 

• Os códigos demonstram validação e governança; não são algoritmos diagnósticos nem protocolos
de tratamento.

Cenário 1 - Dado quantitativo: detecção de inconsistência em sinais vitais antes da análise por IA

1.	Descrição 
•	Um sistema recebe sinais vitais seriados para apoiar uma análise de tendência. 

•	Antes de qualquer modelo, uma camada de qualidade verifica faixa plausível, campos ausentes e 
mudanças abruptas. 

•	Um valor de saturação de 9% ou frequência cardíaca de 620 bpm deve ser tratado como provável 
erro de dado, sensor, unidade ou transmissão - e não como “verdade clínica” automaticamente.

2.	Código  - Validação de plausibilidade (Python)

from dataclasses import dataclass
from typing import Optional

@dataclass
class Vital:
    fc: Optional[float]      # bpm
    spo2: Optional[float]    # %
    pas: Optional[float]     # mmHg
    timestamp: str

LIMITES = {
    "fc": (20, 250),
    "spo2": (50, 100),
    "pas": (40, 260),
}

def validar(v: Vital):
    alertas = []
    for campo, (minimo, maximo) in LIMITES.items():
        valor = getattr(v, campo)
        if valor is None:
            alertas.append(f"{campo}: ausente")
        elif not (minimo <= valor <= maximo):
            alertas.append(f"{campo}: valor implausivel ({valor})")
    return alertas

amostra = Vital(fc=620, spo2=97, pas=118, timestamp="2026-08-21T14:30:00-03:00")
problemas = validar(amostra)

if problemas:
    print("HITL: revisar origem do dado antes de qualquer inferencia")
    print(problemas)
else:
    print("Dados aptos para a proxima etapa analitica")

3.	Mitigação demonstrada: 
•	quality gate antes do modelo; 
•	separação entre “dado inválido” e “paciente grave”; 
•	encaminhamento para revisão humana; 
•	preservação do timestamp e da origem do registro.

Cenário 2 - Dado qualitativo: relatos de tecnovigilância estruturados em JSON

1.	Descrição
•	Uma equipe recebe dezenas de relatos sobre falhas intermitentes de um dispositivo. 

•	O objetivo não é pedir à IA “qual é o problema?”, mas estruturar os relatos, remover 
identificadores, preservar texto original e classificar temas para revisão. 

•	JSON funciona como contêiner de intercâmbio; a semântica clínica e de tecnovigilância 
deve ser definida pelo esquema institucional.

2.	Código - Estrutura sintética de relato (JSON)
{
  "evento_id": "TV-2026-0042",
  "dispositivo": {
    "classe": "monitor multiparametrico",
    "modelo": "MODELO_FICTICIO"
  },
  "relato": "A leitura de SpO2 desapareceu por cerca de 20 segundos e retornou sem intervencao.",
  "contexto": {
    "setor": "UTI",
    "impacto_clinico_confirmado": false,
    "paciente_identificavel": false
  },
  "revisao_humana": {
    "status": "pendente",
    "responsavel": null
  }
}

3.	Código  - Triagem temática determinística (Python)
import re

TEMAS = {
    "conectividade": [r"desconect", r"rede", r"wifi", r"bluetooth"],
    "sensor": [r"sensor", r"leitura", r"sinal", r"spo2"],
    "energia": [r"bateria", r"energia", r"reinici"],
}

def classificar_temas(texto):
    texto = texto.lower()
    return [tema for tema, padroes in TEMAS.items()
            if any(re.search(p, texto) for p in padroes)]

relato = "A leitura de SpO2 desapareceu por cerca de 20 segundos e retornou."
print(classificar_temas(relato))

# A classificacao serve para triagem; a conclusao permanece humana.
import re

TEMAS = {
    "conectividade": [r"desconect", r"rede", r"wifi", r"bluetooth"],
    "sensor": [r"sensor", r"leitura", r"sinal", r"spo2"],
    "energia": [r"bateria", r"energia", r"reinici"],
}

def classificar_temas(texto):
    texto = texto.lower()
    return [tema for tema, padroes in TEMAS.items()
            if any(re.search(p, texto) for p in padroes)]

relato = "A leitura de SpO2 desapareceu por cerca de 20 segundos e retornou."
print(classificar_temas(relato))

# A classificacao serve para triagem; a conclusao permanece humana.


4.	Mitigação demonstrada: 
•	dados não identificáveis, 
•	texto original preservado,
•	classificação explicável,
•	triagem humana. 

Em produção, um LLM poderia complementar a análise, desde que a instituição controle:
•	dados enviados, 
•	prompt, 
•	versão, 
•	retenção,
•	validação da saída.

Cenário 3 - Dado misto + cibersegurança: anomalia em telemetria de DMIA

1.	Descrição
•	Um dispositivo transmite telemetria quantitativa e o profissional registra observações em texto. 

•	A equipe deseja detectar eventos que possam representar falha técnica, erro de integração ou ataque. 

•	O algoritmo não decide conduta clínica; ele eleva prioridade de investigação quando há combinação de
sinais anômalos e indícios de integridade/segurança.

2.	Código - Fusão de sinais de integridade e contexto humano (Python)

telemetria = {
    "device_id": "DMIA-TESTE-07",
    "taxa_configurada": 5.0,
    "taxa_reportada": 9.8,
    "tentativas_login_5min": 18,
    "assinatura_config_valida": False,
    "nota_operador": "parametro exibido diferente do prescrito; equipamento isolado para avaliacao"
}

def risco_cibernetico(d):
    score = 0
    motivos = []

    if abs(d["taxa_reportada"] - d["taxa_configurada"]) > 1.0:
        score += 2; motivos.append("divergencia de parametro")
    if d["tentativas_login_5min"] >= 10:
        score += 2; motivos.append("autenticacoes anormais")
    if not d["assinatura_config_valida"]:
        score += 3; motivos.append("integridade de configuracao nao validada")
    if "diferente" in d["nota_operador"].lower():
        score += 1; motivos.append("confirmação qualitativa do operador")

    return score, motivos

score, motivos = risco_cibernetico(telemetria)

if score >= 4:
    print("HITL + Seguranca: investigar imediatamente; nenhuma alteracao automatica de terapia")
    print(motivos)
else:
    print("Manter monitoramento e registrar evento")

3.	Mitigação demonstrada: 
•	correlação de dados quantitativos e qualitativos, 
•	checagem de integridade de configuração, detecção de autenticação anormal e acionamento de
revisão humana. 

Em ambiente real, seriam necessários:
•	logs confiáveis, 
•	controle de acesso, 
•	assinatura/atestado de configuração quando suportado, 
•	inventário do ativo,
•	sincronização temporal, 
•	segmentação de rede,
•	procedimento institucional de resposta.

11. Perspectivas futuras

•	Modelos multimodais capazes de integrar texto, sinais, imagem e telemetria com 
rastreabilidade entre fontes.

•	FHIR + terminologias clínicas como camada de interoperabilidade para agentes de IA 
que consultem prontuários sem depender de esquemas proprietários.

•	Proveniência computável: cada saída poderá carregar quais dados, versões de modelo, 
transformações e agentes que contribuíram para sua geração.

•	Privacy-enhancing technologies, aprendizado federado e ambientes confiáveis de 
processamento para reduzir circulação de dados sensíveis.

•	Data contracts e validação automatizada entre sistemas, permitindo interromper pipelines 
quando um fornecedor altera um campo crítico.

•	Agentes clínicos com privilégios mínimos, ferramentas restritas, logging completo e aprovação 
humana antes de ações de maior consequência.

•	Tecnovigilância preditiva: correlação de incidentes, telemetria, manutenção, versões de software,
vulnerabilidades e contexto clínico para identificar sinais precoces de risco.

•	Observabilidade de IA: monitoramento não apenas de uptime, mas de qualidade de dados, drift,
taxa de rejeição humana, falsos alertas e impacto assistencial.

12. Considerações finais

•	A Medicina Inteligente não é uma medicina de “mais dados”, mas de dados adequados à pergunta, 
semanticamente compreensíveis, protegidos e clinicamente contextualizados.

•	Dados quantitativos oferecem mensuração; dados qualitativos fornecem contexto e significado. 
A integração dos dois é mais próxima do raciocínio clínico real do que qualquer abordagem isolada.

•	JSON, CSV, Parquet, FHIR e DICOM cumprem papéis diferentes. A escolha deve considerar finalidade 
analítica, interoperabilidade, escala, semântica e segurança.

•	IA aumenta a capacidade de processamento, principalmente de dados não estruturados, mas introduz 
novos riscos: alucinação, perda de contexto, exposição de dados, prompt injection, automação indevida e 
opacidade.

•	Cibersegurança e qualidade de dados convergem na segurança do paciente. Confidencialidade é essencial, 
mas integridade, disponibilidade, autenticidade e proveniência são igualmente críticas.

•	Human-in-the-Loop deve ser projetado como controle de risco e responsabilidade, não como etapa informal 
adicionada ao final do workflow.

•	O ciclo maduro é contínuo: perguntar, coletar, validar, analisar, decidir, agir, auditar, aprender e revisar.

Síntese:

O dado só se transforma em inteligência clínica quando sua origem é confiável, seu significado é preservado,
sua análise é auditável e sua aplicação permanece subordinada à responsabilidade profissional.

Referências selecionadas

1. BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Presidência da República. Texto compilado.
2. AUTORIDADE NACIONAL DE PROTEÇÃO DE DADOS (ANPD). Perguntas frequentes: dados pessoais sensíveis, tratamento e bases legais. Governo Federal.
3. AGÊNCIA NACIONAL DE VIGILÂNCIA SANITÁRIA (ANVISA). Resolução RDC nº 657, de 24 de março de 2022 - regularização de Software como Dispositivo Médico (SaMD); documento de Perguntas & Respostas.
4. HL7 INTERNATIONAL. FHIR Release 5 (v5.0.0). Resource formats: JSON, XML e Turtle; documentação de interoperabilidade em saúde.
5. HL7 INTERNATIONAL. FHIR R5 - Security. Recomendações sobre TLS, autenticação, autorização, AuditEvent, Provenance e segurança de comunicação.
6. HL7 INTERNATIONAL. FHIR R5 - Provenance. Recurso para registrar entidades, agentes e atividades relacionadas à criação e transformação de recursos.
7. DICOM STANDARDS COMMITTEE. DICOM PS3.15 2026c - Security and System Management Profiles. NEMA, 2026.
8. U.S. FOOD AND DRUG ADMINISTRATION (FDA). Cybersecurity in Medical Devices: Quality Management System Considerations and Content of Premarket Submissions. Final Guidance, February 2026.

Fala, Ricardo! Tudo bom?

Agradeço por trazer sua produção para o fórum!

Curti demais como trabalhou o equilíbrio entre dados qualitativos e quantitativos, destacou a importância da governança e interoperabilidade e ainda reforçou o papel do Human-in-the-Loop na tomada de decisão clínica. Essa abordagem mostra visão crítica, foco em segurança e preocupação em manter o julgamento humano como parte essencial da Medicina Inteligente.

E algumas boas práticas que você pode adotar são:

• Validação contínua dos dados: aplicar quality gates para garantir integridade antes da análise.
• Interoperabilidade estruturada: usar padrões como FHIR e DICOM para facilitar integração entre sistemas.
• Cibersegurança ativa: implementar MFA e monitorar riscos como prompt injection para proteger dados sensíveis.

Continue postando as suas soluções! Além de ganhar pontos de XP na plataforma, você pode ajudar outros estudantes no fórum.

Ah, uma pergunta: você considera mais estratégico investir primeiro em ferramentas de análise multimodal para integrar dados clínicos ou em protocolos de cibersegurança para garantir confiança na adoção da Medicina Inteligente?

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!

Daniel, obrigado pela leitura atenta.

Diante da sua pergunta, não tenho a menor sombra de dúvida: o primeiro investimento estratégico deve ser em protocolos
de cibersegurança.

E aqui, quando falo em “segurança cibernética”, não me refiro a ferramentas isoladas, mas sim a uma Política Institucional
de Segurança, abrangendo identidade, integridade, proveniência, auditoria, segmentação de rede, proteção de credenciais
e mecanismos de validação contínua — exatamente como discuto na seção de cibersegurança do artigo, onde a integridade
do dado é tratada como componente direto da segurança do paciente.

Por que começar pela cibersegurança?

1. Sem integridade, não existe Medicina Inteligente.

A própria página mostra que um dado adulterado, mesmo sem vazamento, pode induzir decisões clínicas erradas, tais como
saturações implausíveis ou parâmetros de DMIA alterados,

2. Modelos multimodais amplificam riscos se a base não estiver protegida.

A análise multimodal depende de texto, sinais, imagem e telemetria. Se qualquer uma dessas fontes estiver comprometida,
o modelo apenas multiplica o erro com aparência de precisão,

3. A confiança institucional nasce da segurança, não da sofisticação analítica.

A adoção de IA em saúde exige que profissionais confiem que o dado é autêntico, íntegro e rastreável, os pilares listados na
seção de cibersegurança,

4. A própria multimodalidade depende de interoperabilidade segura.

FHIR, DICOM, telemetria e logs só funcionam como camadas de integração se vierem acompanhados de autenticação, autorização,
TLS e auditoria, como você mesmo descreveu muito bem.

5. Sem segurança, o HITL perde sentido.

O profissional só consegue validar uma saída de IA se tiver garantia de que o dado não foi adulterado no caminho, o que exige
rastreabilidade e versão do modelo/prompt.

É isso então.
A disposição,

Ricardo

ps: O segundo artigo sugerido, sobre os tipos de IA é ótimo. Adorei

Olá, Ricardo!

Fico feliz que tenha gostado do artigo!

E começar pela cibersegurança como política institucional é realmente estratégico, porque garante que toda a base de dados seja íntegra, rastreável e confiável antes de qualquer aplicação multimodal.

O ponto que você trouxe sobre dados adulterados sem vazamento é crucial, mostra que o risco não está apenas na exposição, mas também na manipulação silenciosa que pode induzir erros clínicos graves. Além disso, a ideia de que modelos multimodais amplificam riscos se a base não estiver protegida reforça a necessidade de segurança como pré-requisito.

Bons estudos por aí, forte abraço!