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

2026/2027

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 Inteligência Artificial (IA) para extração de conhecimentos. Os estudantes aprofundarão os meandros dos diferentes tipos de dados encontrados em contextos de cuidados de saúde. Abordarão os desafios ligados à gestão e à segurança dos dados num contexto hospitalar. A unidade apresentará o papel fundamental da IA na extração de conhecimentos relevantes 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: Lidar com desafios de dados OA3: Aplicar IA para Extração de Conhecimentos OA4: Melhorar a qualidade dos dados OA5: Implementar Técnicas de IA OA6: Entender por aspectos éticos e legais OA7: Comunicar Conhecimento (extração de dados) 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 individual 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 e avaliação foram definidas para garantir uma aprendizagem aplicada, progressiva e alinhada com os objetivos de aprendizagem da UC. A Aprendizagem Baseada em Estudos de Caso permite aos estudantes contactar com situações reais ou realistas do setor da saúde, reconhecendo diferentes tipos de dados hospitalares e compreendendo as suas características, limitações e potencial de utilização, contribuindo para OA1, OA2 e OA10. A análise destes casos permite ainda discutir desafios associados à qualidade, estrutura, disponibilidade, privacidade e utilização ética dos dados, articulando-se com OA4 e OA6. A Aprendizagem Baseada em Tarefas permite aos estudantes aplicar, de forma prática, métodos e ferramentas de Ciência de Dados e Inteligência Artificial. Através de exercícios orientados, os estudantes desenvolvem competências de extração de conhecimento, melhoria da qualidade dos dados, implementação de técnicas de IA e integração de ferramentas e bibliotecas adequadas, contribuindo diretamente para OA3, OA4, OA5 e OA9. Estas tarefas promovem também a resolução de problemas concretos em saúde, reforçando a capacidade de selecionar métodos apropriados e interpretar criticamente os resultados obtidos. A gamificação será utilizada como estratégia de motivação e envolvimento, incentivando a participação ativa, o progresso gradual e a consolidação dos conteúdos. Esta abordagem favorece a colaboração entre estudantes, a partilha de soluções e a aprendizagem entre pares, contribuindo para OA8 e para o desenvolvimento de competências de comunicação e argumentação técnica. As atividades de apresentação e discussão de resultados permitem ainda avaliar a capacidade de comunicar conhecimento de forma clara, rigorosa e adequada ao contexto, articulando-se com OA7. A avaliação está alinhada com esta abordagem metodológica. O trabalho individual, com ponderação de 60%, avalia sobretudo a capacidade de aplicar métodos de Ciência de Dados e IA a problemas concretos de saúde, incluindo identificação de dados, tratamento de desafios, extração de conhecimento, melhoria da qualidade dos dados, implementação de técnicas e utilização de ferramentas, contribuindo para OA1, OA2, OA3, OA4, OA5, OA9 e OA10. O teste escrito, com ponderação de 40%, avalia a compreensão dos fundamentos teóricos, metodológicos, éticos e legais da UC, articulando-se com OA1, OA2, OA6 e OA10. A modalidade de avaliação por exame mantém a mesma coerência, combinando um trabalho individual, centrado na aplicação prática dos conhecimentos, com um teste escrito, centrado na avaliação dos fundamentos conceptuais. Assim, os instrumentos de avaliação permitem avaliar, de forma integrada, a compreensão dos dados de saúde, a aplicação de técnicas de IA, a reflexão ética e legal, a comunicação de conhecimento e a capacidade de colaborar e utilizar ferramentas digitais em projetos aplicados ao setor da saúde.

Observações / Observations

ODS: 3; 9

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

2026-08-24