Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

340 - Ciências empresariais

Departamento / Department

Departamento de Ciências Sociais e Empresariais

Ano letivo / Execution Year

2025/2026

Pré-requisitos / Pre-Requisites

Não se aplica.

Objetivos Gerais / Objectives

O principal objetivo desta unidade curricular é transmitir uma compreensão abrangente das características e desafios dos dados hospitalares, juntamente com a aplicação de técnicas orientadas para a IA para extração de conhecimentos. Os estudantes aprofundarão os meandros dos diferentes tipos de dados encontrados em contextos de cuidados de saúde. Enfrentarão os desafios ligados à gestão e à segurança dos dados num contexto hospitalar. A unidade apresentará o papel fundamental da inteligência artificial na extração de conhecimentos valiosos a partir de dados estruturados e imagens médicas. Além disso, os alunos compreenderão as considerações éticas e jurídicas pertinentes à análise de dados de cuidados de saúde. No final da unidade, os alunos aplicarão proficientemente metodologias de IA para enfrentar, em colaboração, desafios de dados do mundo real em ambientes de cuidados de saúde.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

São objetivos de aprendizagem (OA) desta Unidade Curricular permitir que os alunos possam adquirir as seguintes competências: OA1: Reconhecer tipos de dados hospitalares OA2: Enfrentar desafios de dados OA3: Aplicar IA para Extração de Conhecimentos OA4: Melhorar a qualidade dos dados OA5: Implementar Técnicas de IA OA6: Navegar por aspectos éticos e legais OA7: Comunicar Insights Efetivamente OA8: Colaborar em projectos de IA OA9: Integrar ferramentas e bibliotecas de IA OA10: Aplicações no sector da saúde

Conteúdos Programáticos / Syllabus

Esta UC detém os seguintes conteúdos programáticos (CPs): CP1: Introdução aos dados hospitalares * Definição e conceitos chave CP2: Desafios dos dados nos cuidados de saúde CP3: Fundamentos de IA para extração de conhecimentos CP4: Técnicas de IA para análise de dados de cuidados de saúde CP5: Considerações éticas e jurídicas CP6: Comunicação eficaz dos resultados CP7: Projectos colaborativos de IA nos cuidados de saúde CP8: Ferramentas e bibliotecas para dados de cuidados de saúde CP9: Aplicações de IA nos cuidados de saúde CP10: Apresentação e reflexão do projeto

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes

O OA1 é alcançado pelo CP1, que fornece a base para classificar dados hospitalares. O OA2 é suportado pelo CP2, onde os alunos exploram desafios no processamento de dados de saúde. O OA3 é alcançado pelos CP3 e CP4, que introduzem fundamentos de IA e técnicas de análise de dados. O OA4 é suportado pelo CP4, permitindo aos alunos aplicar IA para melhorar a qualidade dos dados. O OA5 é atingido pelos CP4, CP8 e CP9, garantindo que os alunos adquirem conhecimento sobre ferramentas, bibliotecas e técnicas de IA. O OA6 é abordado pelo CP5, que cobre questões legais e éticas da IA na saúde. O OA7 é suportado pelo CP6, onde os alunos desenvolvem competências para apresentar e justificar resultados. O OA8 é alcançado pelos CP7 e CP10, promovendo colaboração e reflexão sobre os projetos. O OA9 é suportado pelo CP8, que fornece conhecimento para integrar ferramentas nos projetos de saúde. Por fim, o OA10 é atingido pelo CP9, que oferece aplicações práticas de IA nos cuidados de saúde.

Avaliação / Assessment

A avaliação será preferencialmente realizada ao longo do semestre (1ª época), composta por dois trabalhos de grupo, cada um com um peso de 30%, e um teste escrito com um peso de 40%. Cada componente tem uma nota mínima de 8 valores, sendo necessária uma média final mínima de 10 valores para aprovação à unidade curricular. A assiduidade mínima exigida é de 2/3 das aulas. As notas dos trabalhos podem ser ajustadas com base no desempenho individual demonstrado numa discussão oral, a qual poderá ocorrer se existir uma discrepância superior a 3 valores entre a nota do teste e a dos trabalhos, para qualquer dos elementos do grupo. Época de Exame (2ª Época e Época Especial) Na Época de Exame, os estudantes terão a possibilidade de realizar uma avaliação alternativa composta por: Um trabalho individual, com peso de 60% da nota final. Um teste escrito individual, com peso de 40%. Ambos os elementos são obrigatórios, com nota mínima de 8 valores em cada, sendo necessária uma média ponderada de 10 valores para aprovação.

Metodologias de Ensino / Teaching methodologies

A UC Dados de Saúde adotará como metodologia de ensino e aprendizagem central a Aprendizagem Baseada em Estudos de Caso, combinada com Aprendizagem Baseada em Tarefas. A gamificação será utilizada como estratégia de motivação e envolvimento dos estudantes. Esta abordagem pedagógica está articulada com o modelo pedagógico do Iscte porque o estudante é considerado um agente ativo no seu processo de aprendizagem, o conhecimento é trabalhado como uma ferramenta para a construção e desenvolvimento de mais conhecimento e aplicado em diversos contextos. 

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

As metodologias de ensino foram selecionadas de forma a corresponder aos objetivos de aprendizagem da UC. Através de uma combinação de momentos de aprendizagem ativos e orientados, os estudantes realizarão tarefas práticas e estudos de caso que lhes permitirão compreender os conceitos fundamentais de Dados de Saúde e de Inteligência Artificial, e aplicá-los em contextos reais. O docente fornecerá feedback contínuo, promovendo uma aprendizagem crítica e reflexiva. A introdução da possibilidade de avaliação por exame permite acomodar diferentes perfis de estudantes e contextos de aprendizagem, assegurando equidade. Esta modalidade mantém o foco na aplicação prática e na avaliação do conhecimento teórico, por via de um trabalho individual (60%) e um teste escrito (40%). Esta abordagem abrangente garante que os estudantes adquirem tanto os conhecimentos teóricos como a experiência prática necessária para utilizar IA eficazmente em contextos de saúde.

Observações / Observations

-

Bibliografia Principal / Main Bibliography

McKinney, W. (2017). Python for Data Analysis, 2nd Edition: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly Media. Albon, C. (2018). Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning. O'Reilly Media. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. Nelson, D. (2020). Data Visualization in Python. Independently Published. O'Reilly, T. (2010). Open Government: Collaboration, Transparency, and Participation in Practice. O'Reilly Media. OpenCV. (2024). Open Source Computer Vision Library. Disponível em https://opencv.org/. TensorFlow. (2024). An Open Source Machine Learning Framework for Everyone. Disponível em https://www.tensorflow.org/.

Bibliografia Secundária / Secondary Bibliography

Data da última atualização / Last Update Date

2025-08-05