Métodos de Tomada de Decisão

Mapa da Aula 1

Parte I — Fundamentos da Tomada de Decisão e SAD

Prof. Marcelo R. P. Ferreira · Aulas 1–3 + Prova (07/07–28/07/2026)

Parte II — Aprendizagem de Máquina

Prof. Eufrásio de A. Lima Neto · Aulas 4–7 + Projeto (04/08–15/09/2026)

Por que Sistemas de Apoio à Decisão na Saúde?

• O volume de informação médica dobra a cada poucos anos
• A capacidade de atenção humana é limitada (“ansiedade informacional”)
• Tomadores de decisão sofrem de fadiga e viés cognitivo
• Necessidade de contornar a racionalidade limitada
• SADs transformam dados brutos em inteligência acionável para a saúde
• Hospitais precisam otimizar recursos escassos (leitos, equipe de enfermagem, insumos)

Exemplo Motivador: Gestão Hospitalar

• Implementaram um sistema de acuidade de enfermagem
• O sistema classifica pacientes pela severidade e necessidade de cuidados
• Permite prever e alocar a demanda diária de enfermeiros
• Compara as estimativas de necessidade com os níveis reais
• Resultado: alocação eficiente de recursos e melhoria no cuidado prestado

O Conceito de Decisão

• Decisão é uma escolha entre alternativas disponíveis
• Visa alcançar um bom resultado (mitigar a doença, reduzir custos, salvar vidas)
• Um bom resultado nem sempre significa uma “boa decisão”
• Boas decisões são informadas e baseadas em dados apropriados
• Envolve a formulação do problema e avaliação de premissas
• O SAD apoia, mas não substitui o tomador de decisão (médico ou gestor)

O Processo de Decisão — Modelo de Simon

• O processo de decisão não é um evento único, mas um fluxo
• Proposto pelo economista e psicólogo Herbert A. Simon (Nobel de Economia, 1978)
• Fase 1 — Inteligência: identificação do problema ou oportunidade
• Fase 2 — Design: formulação de alternativas
• Fase 3 — Escolha: seleção e implementação
• O SAD deve apoiar cada uma dessas fases de forma flexível

Fluxo clássico de Simon para o processo de tomada de decisão.

Fase 1: Inteligência

• Monitoramento contínuo do ambiente clínico ou hospitalar
• Identificação de desvios, tendências ou anomalias
• Exemplo: detecção de um surto de infecção hospitalar
• Coleta de informações sintomáticas e epidemiológicas
• É a fase onde o problema é reconhecido como tal — muitas vezes a mais negligenciada

Fase 2: Design

• Estruturação do problema de saúde identificado
• Definição de objetivos (ex.: minimizar mortalidade ou custo)
• Geração e desenvolvimento de alternativas de tratamento ou intervenção
• Coleta de dados adicionais e construção de modelos
• Avaliação de restrições (orçamento, disponibilidade de leitos)
• O SAD ajuda com ferramentas de brainstorming e modelagem

Fase 3: Escolha

• Comparação das alternativas desenhadas na fase anterior
• Seleção da melhor alternativa baseada em critérios definidos
• Avaliação da sensibilidade da escolha (análise “E se?”)
• Implementação da ação no ambiente real
• Monitoramento dos resultados clínicos ou gerenciais
• O SAD fornece as ferramentas de simulação e otimização

Tipos de Decisão

• Decisões Estruturadas: repetitivas, rotineiras, regras claras (ex.: folha de pagamento)
• Decisões Não Estruturadas: novas, complexas, requerem intuição (ex.: contenção de nova pandemia)
• Decisões Semiestruturadas: combinação de regras analíticas e julgamento humano
• O SAD tem seu maior valor nos problemas semiestruturados
• Apoia o gestor onde a matemática termina e a experiência começa
• Na saúde, diagnóstico e triagem são tipicamente semiestruturados

Teoria da Decisão Normativa

• Define como as decisões deveriam ser tomadas idealmente
• Baseia-se em escolhas perfeitamente racionais
• O objetivo é a otimização matemática (maximizar utilidade esperada)
• Assume conhecimento completo das opções e consistência total
• Falha ao descrever o comportamento humano real (que tem limites)
• Importante como base para algoritmos de otimização em SADs

Teoria da Decisão Descritiva

• Estuda como os seres humanos realmente tomam decisões
• Reconhece a fadiga, emoções, limites de memória e tempo
• Focada na racionalidade limitada (bounded rationality)
• Indivíduos frequentemente usam heurísticas e atalhos mentais
• Essencial para desenhar interfaces de usuário de SADs amigáveis
• Baseada em estudos de economia comportamental e psicologia cognitiva

Teoria da Decisão Prescritiva

• Foca em ajudar as pessoas a tomarem decisões melhores
• Interseção entre o ideal (normativo) e o real (descritivo)
• Fornece ferramentas para mitigar vieses cognitivos humanos
• O SAD é uma ferramenta eminentemente prescritiva
• Aproxima o médico da decisão ótima, respeitando suas limitações
• Estrutura a evidência para suportar o raciocínio clínico

As Três Teorias — Comparação

Racionalidade Limitada e Satisficing

• Tomadores de decisão raramente otimizam completamente (Simon)
• Devido a limites de tempo, dados e capacidade cognitiva
• Buscam soluções “satisfatórias” (satisficing) em vez de “ótimas”
• Muddling Through: fazer mudanças incrementais pequenas
• O SAD deve oferecer soluções boas e rápidas, não apenas a “perfeita”
• Na emergência, um tratamento rápido “bom o suficiente” salva mais vidas que o perfeito tardio

As Seis Facetas da Racionalidade (1/2)

• Racionalidade Econômica: foco em custos, lucros e retorno financeiro
• Racionalidade Técnica: a opção funciona? Atinge o objetivo clínico?
• Racionalidade Legal: está em conformidade com leis e regulações médicas?
• Um SAD completo não deve focar apenas no aspecto financeiro
• Decisões médicas exigem equilíbrio constante entre essas facetas

As Seis Facetas da Racionalidade (2/2)

• Racionalidade Social/Ética: responsabilidade com o paciente e a sociedade
• Racionalidade Procedimental: há infraestrutura e equipe para executar?
• Racionalidade Política: relações de poder, agendas de departamentos
• Ética utilitarista (maior bem) vs. ética individual na saúde
• O SAD deve permitir a avaliação de cenários logísticos e éticos
• Ignorar o aspecto procedimental inviabiliza a política de saúde no SUS

Síntese das Seis Facetas

Um SAD bem desenhado permite avaliar uma decisão sob múltiplas dessas facetas simultaneamente.

Vieses no Processo de Decisão

• Viés de Confirmação: buscar apenas dados que confirmam a suspeita diagnóstica
• Percepção Seletiva: ignorar informações clínicas que não parecem salientes
• Ilusão de Controle: superestimar a capacidade de curar uma doença imprevisível
• Efeito de Recência: dar peso excessivo ao último sintoma observado
• O SAD atua como contrapeso, forçando a revisão de dados ignorados
• Alertas no sistema protegem contra omissões críticas

Mitigando Vieses: Método dos Seis Chapéus

• Abordagem de Edward de Bono para explorar perspectivas
• Chapéu Branco: foco apenas em dados e tendências históricas
• Chapéu Vermelho: intuição e gut feeling do médico
• Chapéu Preto: pessimismo cauteloso, testando riscos e premissas
• Chapéu Amarelo: otimismo, buscando benefícios secundários
• Chapéu Verde: criatividade, tratamentos alternativos
• Chapéu Azul: controle do processo de decisão (frequentemente o papel do SAD)

Ambientes de Decisão: Certeza

• O resultado de cada alternativa de ação é conhecido previamente
• Conhecimento completo sobre custos, efeitos e resultados
• Em saúde, a certeza pura é extremamente rara
• O problema se resume à ordenação simples por preferência
• A modelagem é determinística e exata

Ambientes de Decisão: Risco

• As consequências exatas não são conhecidas, mas suas probabilidades sim
• Baseia-se em distribuições de probabilidade históricas
• Fundamental para a Medicina Baseada em Evidências (MBE)
• Permite calcular a utilidade esperada de um tratamento
• Os dados do paciente inserem-se num modelo probabilístico

Probabilidade: Conceito e Notação

• Probabilidade mede o grau de crença ou frequência relativa de um evento ocorrer
• Notação: \(P(A)\) — probabilidade do evento \(A\), com \(0 \leq P(A) \leq 1\)
• \(P(A) = 0\): evento impossível; \(P(A) = 1\): evento certo
• Evento complementar: \(P(\bar{A}) = 1 - P(A)\)
• Exemplo clínico: \(P(\text{diabetes}) = 0{,}08\) em adultos brasileiros segundo a literatura epidemiológica

Probabilidade Conjunta e Independência

• Probabilidade conjunta: \(P(A \cap B)\) — ambos \(A\) e \(B\) ocorrem simultaneamente
• Se \(A\) e \(B\) são independentes: \(P(A \cap B) = P(A) \cdot P(B)\)
• Regra da adição: \(P(A \cup B) = P(A) + P(B) - P(A \cap B)\)
• Na saúde, eventos raramente são independentes — comorbidades tendem a se associar

Probabilidade Condicional

• \(P(A \mid B)\): probabilidade de \(A\) ocorrer dado que \(B\) já ocorreu
• Fórmula:

\[P(A \mid B) = \frac{P(A \cap B)}{P(B)}, \quad P(B) > 0\]

• Condicionar em \(B\) restringe o espaço amostral a apenas os casos onde \(B\) é verdadeiro
• Exemplo clínico: \(P(\text{doença} \mid \text{teste positivo})\) — prob. de ter a doença dado que o teste deu positivo

Regra da Probabilidade Total

• Particiona o espaço amostral em eventos mutuamente exclusivos e exaustivos
• Fórmula:

\[P(A) = \sum_{i=1}^{k} P(A \mid B_i) \cdot P(B_i)\]

• Exemplo diagnóstico: a probabilidade de um teste dar positivo é a soma ponderada da probabilidade de positivo entre doentes e entre sadios:

\[P(+) = P(+ \mid D) \cdot P(D) \;+\; P(+ \mid \bar{D}) \cdot P(\bar{D})\]

Teorema de Bayes

\[\boxed{P(D \mid +) = \frac{P(+ \mid D) \cdot P(D)}{P(+)}}\]

Sensibilidade, Especificidade e Valores Preditivos

• Sensibilidade: \(P(+ \mid D)\) — proporção de doentes que testam positivo
• Especificidade: \(P(- \mid \bar{D})\) — proporção de sadios que testam negativo
• Falso Positivo: \(P(+ \mid \bar{D}) = 1 - \text{Especificidade}\)
• VPP (Valor Preditivo Positivo): \(P(D \mid +)\) — prob. de ter a doença dado positivo
• VPN (Valor Preditivo Negativo): \(P(\bar{D} \mid -)\) — prob. de não ter a doença dado negativo

Exemplo Numérico: O Efeito da Prevalência

bayes_diag <- function(prev, sens, espec) {
  fp    <- 1 - espec
  p_pos <- sens * prev + fp * (1 - prev)
  vpp   <- (sens * prev) / p_pos
  vpn   <- (espec * (1 - prev)) / (1 - p_pos)
  pct   <- function(x) sprintf("%.1f%%", x * 100)
  data.frame(Prevalência = pct(prev), Sensibilidade = pct(sens),
             Especificidade = pct(espec), VPP = pct(vpp), VPN = pct(vpn))
}
rbind(
  bayes_diag(prev = 0.01, sens = 0.95, espec = 0.90),
  bayes_diag(prev = 0.30, sens = 0.95, espec = 0.90)
)

  Prevalência Sensibilidade Especificidade   VPP   VPN
1        1.0%         95.0%          90.0%  8.8% 99.9%
2       30.0%         95.0%          90.0% 80.3% 97.7%

Visualizando o Efeito da Prevalência no VPP

library(ggplot2)
library(scales)
prev_seq <- seq(0.001, 0.50, by = 0.001)
sens <- 0.95; espec <- 0.90
vpp_seq <- (sens * prev_seq) / (sens * prev_seq + (1 - espec) * (1 - prev_seq))
df_vpp <- data.frame(prevalencia = prev_seq, vpp = vpp_seq)

ggplot(df_vpp, aes(x = prevalencia, y = vpp)) +
  geom_line(color = "#7ecff7", linewidth = 1.3) +
  geom_vline(xintercept = 0.01, color = "#f07050", linetype = "dashed") +
  geom_vline(xintercept = 0.30, color = "#a8f77e", linetype = "dashed") +
  annotate("text", x = 0.01, y = 0.15, label = "1%\n(rastreamento)",
           color = "#f07050", size = 3.5, hjust = -0.1) +
  annotate("text", x = 0.30, y = 0.50, label = "30%\n(clínica especializada)",
           color = "#a8f77e", size = 3.5, hjust = -0.05) +
  scale_x_continuous(labels = percent_format()) +
  scale_y_continuous(labels = percent_format()) +
  labs(title = "Valor Preditivo Positivo em Função da Prevalência",
       subtitle = "Sensibilidade = 95%, Especificidade = 90%",
       x = "Prevalência da doença", y = "VPP") +
  theme_minimal(base_size = 13)

Atualização Sequencial de Crenças

• Bayes permite atualizar a crença progressivamente à medida que novas evidências chegam
• A probabilidade a posteriori de um teste vira a a priori do próximo
• Exemplo: paciente com resultado positivo no teste A → posteriori vira novo prior para o teste B

\[P(D \mid +_A, +_B) \propto P(+_B \mid D) \cdot \underbrace{P(D \mid +_A)}_{\text{nova priori}}\]

• Isso é exatamente o que um SAD bayesiano faz automaticamente
• Conecta esta revisão com as redes bayesianas da Aula 3

Exercício — Revisão de Probabilidade

sens <- 0.85; espec <- 0.80; prev <- 0.25

p_pos <- sens * prev + (1 - espec) * (1 - prev)
vpp   <- (sens * prev) / p_pos
p_neg <- (1 - sens) * prev + espec * (1 - prev)
vpn   <- (espec * (1 - prev)) / p_neg

cat(sprintf("VPP: %.1f%%\n", vpp * 100))

VPP: 58.6%

cat(sprintf("VPN: %.1f%%\n", vpn * 100))

VPN: 94.1%

cat(sprintf(
  "\nInterpretação: VPN de %.1f%% dá razoável segurança para exclusão,\n
mas o VPP de %.1f%% indica que cerca de 1 em cada %.0f positivos seria falso alarme.",
  vpn * 100, vpp * 100, 1 / (1 - vpp)
))

Interpretação: VPN de 94.1% dá razoável segurança para exclusão,

mas o VPP de 58.6% indica que cerca de 1 em cada 2 positivos seria falso alarme.

Decisão sob Risco: Utilidade Esperada

Avalia opções ponderando o valor do desfecho pela sua probabilidade:

\[EU(A) = \sum_{i} P(O_i \mid A) \cdot U(O_i)\]

• \(EU(A)\): utilidade esperada da ação \(A\)
• \(O_i\): cada resultado possível dado \(A\)
• \(P(O_i \mid A)\): probabilidade de ocorrência de \(O_i\)
• \(U(O_i)\): utilidade (valor) atribuída ao resultado \(O_i\)

Usado em estudos de custo-efetividade na saúde, balanceando tratamentos conservadores vs. invasivos.

Exemplo em R: Utilidade Esperada de Tratamentos

p_cura_cir <- 0.8
u_cura_cir <- 10
u_falha_cir <- 2

ue_cirurgico   <- (p_cura_cir * u_cura_cir) + ((1 - p_cura_cir) * u_falha_cir)
ue_medicamento <- 1.0 * 7

cat(sprintf("UE Cirurgia: %.2f | UE Medicamento: %.2f\n", ue_cirurgico, ue_medicamento))

UE Cirurgia: 8.40 | UE Medicamento: 7.00

cat(ifelse(ue_cirurgico > ue_medicamento,
           "Escolha prescritiva: Cirurgia",
           "Escolha prescritiva: Medicamento"))

Escolha prescritiva: Cirurgia

Ambientes de Decisão: Incerteza

• Incerteza genuína: probabilidades objetivas não são conhecidas
• Dados são fragmentados, novos, ou não há histórico confiável
• Surge frequentemente em epidemias novas (ex.: início da COVID-19)
• Requer heurísticas de decisão (Maximin, Maximax) ou abordagens subjetivas
• Probabilidade subjetiva (bayesiana) baseada na crença do especialista
• Será aprofundada na Aula 3 (tratamento formal da incerteza)

Os Três Ambientes — Comparação Visual

library(ggplot2)
df_amb <- data.frame(
  ambiente = factor(c("Certeza","Risco","Incerteza"),
                     levels=c("Certeza","Risco","Incerteza")),
  conhecimento = c(3, 2, 1)
)
ggplot(df_amb, aes(x=ambiente, y=conhecimento, fill=ambiente)) +
  geom_col(width=0.55) +
  scale_fill_manual(values=c("Certeza"="#7ecff7","Risco"="#f7c87e","Incerteza"="#f07050")) +
  labs(title="Grau de Conhecimento sobre os Resultados",
       x="", y="Conhecimento sobre desfechos", fill="") +
  theme_minimal(base_size=13) +
  theme(legend.position="none")

Racionalidade de Simon Aplicada aos SADs

• A racionalidade se estende da teoria econômica para as organizações de saúde
• O SAD captura o componente estático do dado clínico e adiciona a dinâmica organizacional da saúde
• Decidir prescrever é o encontro de dois mundos: ciência exata (fisiologia) e ciências sociais (alocação, política, custo)
• A boa prática decisória em saúde exige navegar entre esses mundos continuamente

Exercício 1 — Bloco B

p_int_ok <- 0.95; u_int_ok <- 10; u_int_compl <- 3
p_obs_ok <- 0.80; u_obs_ok <- 10; u_obs_piora <- 4

ue_internar <- p_int_ok*u_int_ok + (1-p_int_ok)*u_int_compl
ue_observar <- p_obs_ok*u_obs_ok + (1-p_obs_ok)*u_obs_piora

cat(sprintf("UE Internar: %.2f\nUE Observar: %.2f\n", ue_internar, ue_observar))

UE Internar: 9.65
UE Observar: 8.80

cat(ifelse(ue_internar > ue_observar,
           "Conduta prescritiva: Internar",
           "Conduta prescritiva: Observar em casa"))

Conduta prescritiva: Internar

Hierarquia DIKW: Definição

DIKW: Dados (Data)

• Fatos brutos, símbolos, medições isoladas
• Sem contexto, não têm significado intrínseco
• Exemplos em saúde: “120/80”, “38,5”, “Positivo”
• Constituem o alicerce dos bancos de dados hospitalares (PEP)
• Podem conter ruídos, erros de digitação e valores faltantes
• Na saúde, exigem scrubbing (limpeza) rigoroso antes do uso analítico

DIKW: Informação (Information)

• Dados que foram processados, categorizados e contextualizados
• Respondem a: Quem, O quê, Onde, Quando
• Permitem reduzir a incerteza imediata
• Dashboard clínico transforma fluxos de dados brutos em gráficos de informação
• Permite aos gestores visualizarem taxas de ocupação de leitos (KPIs)

DIKW: Conhecimento (Knowledge)

• Aplicação da informação, identificação de padrões e regras
• Responde a: Como, Por quê
• Modelos analíticos e regras de negócio no SAD encapsulam conhecimento
• Representado em Bases de Conhecimento (Knowledge Bases) no SAD
• Em IA, engloba redes bayesianas e árvores de decisão (Aula 3)

DIKW: Sabedoria (Wisdom)

• Nível supremo, focado na ética, valores e julgamento aprofundado
• Inerente ao ser humano (médico, diretor do hospital)
• Avalia as consequências de longo prazo e o bem-estar do paciente
• O SAD fornece o Conhecimento para que o usuário aplique a Sabedoria
• Limita a atuação 100% autônoma de máquinas na saúde

DIKW na Prática Clínica — Síntese

Qualidade de Dados em Saúde: O Desafio

• Garbage In, Garbage Out: o modelo falha se os dados forem ruins
• Erros em dados médicos geram intervenções letais e alto custo
• A transição do prontuário em papel para o eletrônico expôs redundâncias
• Requer higienização rigorosa (Data Scrubbing)
• Correção de unidades, formatos de datas e unificação de cadastros
• Falta de padrão de ontologia médica (ex.: CID-10 mal aplicado) destrói análises

Dimensões da Qualidade de Informação (1/2)

• Tempestividade (Timeliness): o dado está disponível no momento da decisão clínica?
• Suficiência (Sufficiency): a amostra representa a realidade do paciente/população?
• Nível de Detalhe (Granularity): os dados permitem detalhamento anatômico ou temporal?
• Compreensibilidade (Understandability): o dashboard é intuitivo para a enfermagem?
• Ausência de Viés (Freedom from Bias): a amostragem não exclui minorias?
• Relevância (Relevance): variáveis capturadas têm real valor diagnóstico?

Dimensões da Qualidade de Informação (2/2)

• Comparabilidade: posso comparar este hospital com a média nacional?
• Confiabilidade (Reliability): o biossensor calibra corretamente os batimentos?
• Redundância: dados repetidos protegem contra perda, mas podem gerar inconsistência
• Eficiência de Custo: o custo de extrair o exame vale o ganho preditivo?
• Quantificabilidade: escalas corretas (nominal, ordinal, razão) suportam modelos corretos
• Formato: a interface visual (UI) é adequada ao ambiente cirúrgico?

Governança de Dados em Saúde

• Gestão dos dados como o ativo mais crítico da instituição
• Estabelece políticas, segurança, acesso e padrões de padronização
• Exige adequação ética e legal (LGPD no Brasil)
• Anonimização para uso de prontuários em pesquisa e análise
• Modelos corporativos garantem integridade dos dados
• Protege a privacidade do paciente (direito constitucional e normativo)

Data Scrubbing (Limpeza de Dados) em Saúde

• Identificar registros que não usam padrões (ex.: “Pressão”, “PA”, “P.A.”)
• Remover registros duplicados (mesmo paciente cadastrado duas vezes)
• Identificar dados pouco documentados ou valores espúrios
• Corrigir abreviações e erros de digitação (ex.: dose de 10mg vs. 100mg)
• Sem limpeza, os algoritmos do SAD encontram correlações fantasmas

Exemplo em R: Limpeza de Dados Básica

pacientes <- data.frame(ID = 1:4, Idade = c(45, 999, NA, 30))
print(pacientes)

  ID Idade
1  1    45
2  2   999
3  3    NA
4  4    30

# Scrubbing: transformar 999 (código de erro) em NA
pacientes$Idade[pacientes$Idade > 120] <- NA
media_idade <- mean(pacientes$Idade, na.rm = TRUE)

# Imputar a média nos valores ausentes
pacientes$Idade[is.na(pacientes$Idade)] <- media_idade
cat("\nApós limpeza:\n")

Após limpeza:

print(pacientes)

  ID Idade
1  1  45.0
2  2  37.5
3  3  37.5
4  4  30.0

Sistemas Transacionais (TPS) vs. SAD

• TPS (Transaction Processing Systems): foco em capturar e armazenar rotinas
• Exemplo de TPS: faturamento de contas médicas, admissão do paciente
• Rápido, linear, focado no nível operacional
• SAD: foco em análise, descoberta e predição para decisões semiestruturadas
• O SAD usa o banco de dados do TPS, mas exige um formato limpo (Data Warehouse)
• SAD foca em eficácia analítica; TPS foca em eficiência operacional

A Importância do Metadado em Saúde

• O que é o dado “38,5”?
• Metadado: temperatura corporal em graus Celsius, aferida axilarmente, no horário Y
• Sem metadados rigorosos, a fusão de bancos de dados de dois hospitais distintos colapsa a análise
• Metadados garantem que diferentes sistemas “falem a mesma língua”

Tratamento de Dados Categóricos vs. Numéricos

• “Pressão Alta” (categórica/ordinal) vs. “150 mmHg” (numérico contínuo)
• Modelos analíticos frequentemente requerem codificação de variáveis categóricas
• Variáveis de texto longo podem virar matrizes de termos (mineração de texto)
• O SAD gerencia essas transformações de forma transparente para o usuário final

Exercício 3 — Bloco D

dados <- data.frame(
  ID_Paciente = c(1, 2, 3, 3, 4),
  PAS = c(120, 800, 135, 135, -10)
)
print(dados)

  ID_Paciente PAS
1           1 120
2           2 800
3           3 135
4           3 135
5           4 -10

# Tratamento: PAS fisiologicamente
# plausível entre 60 e 260 mmHg
dados$PAS[dados$PAS < 60 | dados$PAS > 260] <- NA

# Remover duplicatas exatas
dados_limpos <- dados[!duplicated(dados), ]
cat("\nApós tratamento:\n")

Após tratamento:

print(dados_limpos)

  ID_Paciente PAS
1           1 120
2           2  NA
3           3 135
5           4  NA

Definição de Sistema de Apoio à Decisão

• Sistema computadorizado interativo que apoia a escolha entre alternativas
• Integra bases de dados organizadas com modelos analíticos
• Facilita decisões mal estruturadas ou semiestruturadas
• Apresenta interface amigável para o tomador de decisão não-programador
• Permite análises do tipo “E se?” (what-if) e análise de sensibilidade
• Amplia a capacidade cognitiva do gestor em ambientes complexos

Histórico e Evolução dos SADs

• Décadas de 1970/80: primeiros sistemas especialistas baseados em regras (ex.: MYCIN)
• Foco em capturar a experiência do médico em árvores “Se-Então”
• Anos 1990: evolução para redes bayesianas, lidando matematicamente com a incerteza
• Anos 2000+: integração com Big Data e Aprendizagem de Máquina (Parte II)
• Transição de sistemas fechados para dashboards executivos em tempo real
• Adoção de Inteligência de Negócios (Business Intelligence) na gestão hospitalar

O Componente de Dados (Data Warehouse)

• Repositório central integrado de dados históricos e atuais
• Desenvolvido separadamente do TPS para não atrasar a operação do hospital
• Estrutura multidimensional (Data Cubes) para análises OLAP
• Permite fatiar e filtrar dados (Slicing and Dicing)
• Integra fontes externas: bases do IBGE, literatura médica, sensores (IoT)
• Reduz a latência entre o evento clínico e o acesso analítico do gestor

Arquitetura do Data Warehouse (Cubos OLAP)

• Modelagem dimensional (Estrela ou Floco de Neve)
• Facilita perguntas como: “Qual a taxa de infecção na UTI, no terceiro trimestre, para pacientes idosos?”
• Dimensões: Tempo (trimestre), Local (UTI), Demografia (idosos)
• Fato: taxa de infecção
• Acelera drasticamente a busca em relação a tabelas relacionais clássicas
• Fundamental para dashboards de desempenho hospitalar

O Componente de Modelos (MBMS)

• Model Base Management System: gerencia o arsenal analítico do SAD
• Facilita a ligação dos dados da base para os inputs do modelo matemático
• Protege o usuário da sintaxe complexa (ex.: código R em segundo plano)
• Contém modelos estatísticos, preditivos, financeiros e logísticos
• Integra a saída de um modelo como entrada de outro
• Executa testes de premissas (ex.: “os dados seguem distribuição normal?”)

O Componente de Interface com o Usuário

• A parte do SAD que o gestor ou médico vê e interage
• Se for difícil de usar, o SAD será abandonado — importância crítica
• Inclui menus, telas de visualização, mapas interativos, alertas coloridos
• Design focado na redução da carga cognitiva (ex.: cores de semáforo para risco)
• Suporte a múltiplos dispositivos: computadores, tablets, smartphones

SAD Orientado a Dados (Data-Driven)

• Foco principal na mineração e acesso estruturado a grandes volumes de dados
• “Deixa os dados falarem”: encontra padrões ocultos
• Responde: “O que aconteceu?” e “Quais grupos se assemelham?”
• Ferramentas OLAP, Business Intelligence e dashboards retrospectivos
• Excelente para descoberta de associações (ex.: sintomas recorrentes conjuntos)
• Abordagem baseada na força bruta da inferência sobre grandes volumes de dados

SAD Orientado a Modelos (Model-Driven)

• Foco no uso de modelos matemáticos (otimização, simulação, teorias estatísticas)
• Utiliza pouco volume de dados de entrada, mas com lógica interna rica
• Enfatiza simulações “E se?” (ex.: “e se fecharmos esta ala?”)
• Prescreve soluções ótimas com base em restrições alocadas
• Encapsula o raciocínio de especialistas em estruturas formais
• Responde: “Qual a melhor ação a tomar agora?”

SAD Orientado a Dados vs. Orientado a Modelos

Metodologias Analíticas em SADs Orientados a Modelos

• Enumeração Completa: avalia todas as opções (raro em saúde, muito lento)
• Algoritmos de Otimização: programação linear para escala de plantões
• Heurísticas: regras de aproximação para problemas complexos (ex.: rotas de ambulância)
• Simulações: Monte Carlo, dinâmica de sistemas (imita fluxos reais)
• Ferramentas que abstraem a complexidade e geram predições diretas

Modelagem via Simulação em Saúde

• Avalia risco de gargalos no hospital sem afetar pacientes reais
• Útil para desenhar fluxos do Pronto-Socorro
• Testa políticas alternativas (ex.: protocolos de higienização vs. isolamento de leito)
• Identifica onde filas se formam e onde recursos ociosos repousam
• Descreve o comportamento de variáveis de filas estocásticas ao longo do tempo

Exemplo em R: Simulação de Ocupação de UTI

set.seed(42)
simulacoes <- 1000
# Pacientes/dia segue Poisson; permanência (dias) segue Normal
pacientes_dia <- rpois(simulacoes, lambda = 5)
permanencia   <- rnorm(simulacoes, mean = 7, sd = 2)
permanencia   <- ifelse(permanencia < 1, 1, permanencia)

ocupacao_estimada <- pacientes_dia * permanencia
cat("Ocupação Máxima Simulada (percentil 95):",
    round(quantile(ocupacao_estimada, 0.95), 1))

Ocupação Máxima Simulada (percentil 95): 69.2

Visualizando a Simulação

library(ggplot2)
set.seed(42)
df_sim <- data.frame(ocupacao = pacientes_dia * permanencia)
ggplot(df_sim, aes(x = ocupacao)) +
  geom_histogram(fill = "#7ecff7", color = "#1a1a1a", bins = 30, alpha = 0.85) +
  geom_vline(xintercept = quantile(df_sim$ocupacao, 0.95),
             color = "#f07050", linetype = "dashed", linewidth = 1) +
  annotate("text", x = quantile(df_sim$ocupacao, 0.95) + 3, y = 60,
           label = "Percentil 95", color = "#f07050", size = 4, hjust = 0) +
  labs(title = "Distribuição Simulada de Ocupação da UTI",
       x = "Ocupação estimada (paciente-dia)", y = "Frequência") +
  theme_minimal(base_size = 13)

Inteligência Artificial e Heurística nos SADs

• Sistemas especialistas encapsulam “regras de ouro” dos médicos mais experientes
• Exemplo: regras lógicas para triagem com fatores de certeza
• “SE idade > 65 E pressão baixa, ENTÃO risco crítico (certeza: 0,9)”
• Inferência pode ser forward-chaining (dos dados para a conclusão)
• Ou backward-chaining (da suspeita diagnóstica, busca os exames que a comprovem)
• O SAD age como um conselheiro monitorando falhas — aprofundado na Aula 2

Medicina Baseada em Evidências (MBE) e o SAD

• Medicina Baseada em Evidências (MBE): integra a melhor evidência de pesquisa com a expertise clínica e os valores do paciente
• O SAD auxilia a MBE ao filtrar ensaios clínicos robustos da literatura
• Traz a predição da literatura para o caso individual do paciente
• Evita a dependência exclusiva na “opinião isolada do especialista” (viés)
• Utiliza meta-análises armazenadas no Data Warehouse clínico

Gestão Hospitalar: Dashboards Executivos

• Executive Information Systems focados em monitoramento macro
• Usa KPIs (Key Performance Indicators) vitais para a instituição
• Mortalidade ajustada ao risco, taxa de readmissão, custo por paciente
• Condensa dados vitais em uma única tela, sem necessidade de rolagem
• Painéis de semáforo (vermelho, amarelo, verde) para alertas preventivos

Dashboards: “Drill-Down”

• A capacidade de clicar no resumo macro e descer aos micro-dados
• Exemplo: gestor vê alerta vermelho em “Infecções Pós-Cirúrgicas”
• Clica no indicador → vê que a alta ocorreu na “Ala Norte”
• Clica na Ala Norte → vê as equipes de plantão correlacionadas à anomalia
• O SAD facilita a investigação causal rápida e orientada a ações
• Requisito: granularidade de dados salva no Data Warehouse

Integração SAD e Prontuários Eletrônicos

• O Prontuário Eletrônico do Paciente (PEP) alimenta o Data Warehouse do SAD
• Alertas do SAD disparam diretamente na tela do médico durante a prescrição
• Checagem automática de interação medicamentosa e alergias
• Requisito de interface: não interromper agressivamente o fluxo de trabalho
• Excesso de alertas falsos causa fadiga de alerta, levando o médico a ignorá-los

Avaliação e Implementação de um SAD

• A implementação não é puramente técnica — exige gestão da mudança humana
• Fatores críticos de sucesso: envolvimento do usuário, apoio da diretoria
• Teste de Validade Facial: especialistas concordam com as saídas do modelo?
• Comparar a recomendação do SAD com um conselho de médicos, cegamente
• Treinamento evolutivo e uso de protótipos de baixa e alta fidelidade

Questões Éticas e Legais dos SADs Clínicos

• “Quem é o responsável se o algoritmo recomendar o remédio errado e o paciente piorar?”
• Legalmente, o SAD é um apoio — a sabedoria (e a caneta) são do médico
• É vital que os modelos não sejam caixas-pretas fechadas
• Estruturas explicáveis (árvores, redes) permitem justificar o “porquê” da recomendação
• Discriminação algorítmica: garantir que a mineração de dados não seja enviesada

SAD Pessoal vs. SAD Institucional

SAD em Grupo (Group Decision Support Systems)

• SAD projetado para decisões colaborativas (comitês médicos, juntas administrativas)
• Reúne especialistas mitigando o “Groupthink” (efeito manada)
• Ferramentas de votação anônima eletrônica para diagnósticos complexos
• Facilita a convergência de opiniões sobre investimentos corporativos vitais
• Registra o brainstorming em uma memória coletiva organizada

Painéis Delphi Eletrônicos

• Incertezas graves são modeladas consultando múltiplos especialistas
• Evita a dominação (Groupthink) de um chefe hierárquico
• Respostas capturadas pelo SAD em anonimato, via terminais ou smartphones
• Mostra a convergência nas rodadas, reduzindo viés social das reuniões abertas

Recapitulação: O Papel do Médico com o SAD

• De retentor universal de enciclopédias mentais para validador analítico
• O foco cognitivo sai da “memorização de sintomas” para o gerenciamento do contexto
• Cria um paradigma onde humano + máquina supera o melhor humano isolado
• Reduz o burnout médico delegando o acompanhamento de múltiplas variáveis ao algoritmo

Exercício 5 — Bloco E (Aplicado em R)

library(ggplot2)
set.seed(123)
n_sim <- 500
normal <- rpois(n_sim, lambda = 8)
surto  <- rpois(n_sim, lambda = 16)

df_comp <- data.frame(
  chegadas = c(normal, surto),
  cenario  = rep(c("Normal", "Surto Respiratório"), each = n_sim)
)

ggplot(df_comp, aes(x = chegadas, fill = cenario)) +
  geom_density(alpha = 0.6) +
  scale_fill_manual(values = c("Normal" = "#7ecff7", "Surto Respiratório" = "#f07050")) +
  labs(title = "Simulação: Chegadas Diárias ao Pronto-Socorro",
       x = "Número de chegadas/dia", y = "Densidade", fill = "") +
  theme_minimal(base_size = 13)

Análise de Sensibilidade

• Identifica quais variáveis alteram drasticamente o diagnóstico ou desfecho
• Pergunta típica: “Se a especificidade do exame cair para 80%, o diagnóstico principal muda?”
• Gráficos do tipo Tornado são excelentes para demonstrar sensibilidade em um dashboard
• Fundamental para avaliar a robustez de uma recomendação do SAD

Exemplo em R: Análise de Sensibilidade da Utilidade Esperada

library(ggplot2)
p_seq <- seq(0.5, 1.0, by = 0.01)
ue_cir <- p_seq * 10 + (1 - p_seq) * 2
ue_med <- rep(7, length(p_seq))

df_sens <- data.frame(p = p_seq, Cirurgia = ue_cir, Medicamento = ue_med)
df_long <- reshape(df_sens, varying = c("Cirurgia", "Medicamento"),
                    v.names = "UE", timevar = "Opcao",
                    times = c("Cirurgia", "Medicamento"), direction = "long")

ggplot(df_long, aes(x = p, y = UE, color = Opcao)) +
  geom_line(linewidth = 1.2) +
  scale_color_manual(values = c("Cirurgia" = "#7ecff7", "Medicamento" = "#f7c87e")) +
  geom_vline(xintercept = 0.8, color = "#f07050", linetype = "dashed") +
  labs(title = "Sensibilidade da Decisão à Probabilidade de Cura Cirúrgica",
       x = "P(cura plena | Cirurgia)", y = "Utilidade Esperada", color = "") +
  theme_minimal(base_size = 13)

Multi-Criteria Decision Making (MCDM)

• Decisões em saúde raramente dependem de um único critério
• Analytic Hierarchy Process (AHP): pontua decisões considerando múltiplos critérios
• Exemplo: compra de equipamento de imagem, ponderando preço, qualidade e manutenção
• Comparação pareada entre critérios cria uma matriz de consistência
• Ferramenta poderosa do SAD prescritivo

Exemplo em R: Ponderação Multicritério Simples

pesos <- c(custo_beneficio = 0.6, qualidade = 0.4)

Tomografo_A <- c(8, 7)  # Bom custo-benefício, qualidade razoável
Tomografo_B <- c(4, 9)  # Custo-benefício ruim, qualidade excelente

score_A <- sum(pesos * Tomografo_A)
score_B <- sum(pesos * Tomografo_B)

cat(sprintf("Tomógrafo A: %.2f | Tomógrafo B: %.2f\n", score_A, score_B))

Tomógrafo A: 7.60 | Tomógrafo B: 6.00

cat(ifelse(score_A > score_B, "Recomendação: Tomógrafo A", "Recomendação: Tomógrafo B"))

Recomendação: Tomógrafo A

Visualizando a Comparação Multicritério

library(ggplot2)
df_mcdm <- data.frame(
  equipamento = rep(c("Tomógrafo A", "Tomógrafo B"), each = 2),
  criterio = rep(c("Custo-Benefício", "Qualidade"), 2),
  nota = c(8, 7, 4, 9)
)
ggplot(df_mcdm, aes(x = equipamento, y = nota, fill = criterio)) +
  geom_col(position = "dodge", width = 0.6) +
  scale_fill_manual(values = c("Custo-Benefício" = "#7ecff7", "Qualidade" = "#f7c87e")) +
  labs(title = "Comparação Multicritério: Tomógrafos A e B",
       x = "", y = "Nota (1-10)", fill = "Critério") +
  theme_minimal(base_size = 13)

Modelagem Interativa “E se?” para Compras

• Pergunta: se o prazo de entrega do fornecedor subir 5 dias, quantas cirurgias eletivas precisam ser canceladas?
• O SAD simula a ruptura do suprimento propagando o efeito pela cadeia
• Transforma um problema de intuição de compras em um problema causal de risco assistencial
• Reforça o caráter prescritivo do SAD: não apenas descreve, mas orienta a ação

Transparência nas Probabilidades Subjetivas

• Uma probabilidade gerada por modelo empírico possui incerteza intrínseca
• O painel deve reportar: “Risco de mortalidade 15% (IC 95%: 12%-18%)”
• Omitir o intervalo de confiança induz a falácia da certeza
• A interface deve refletir visualmente a largura do intervalo de incerteza

Exercício 6 — Bloco E.2

pesos <- c(velocidade = 0.4, acuracia = 0.4, custo = 0.2)
manchester <- c(9, 7, 6)
esi        <- c(7, 9, 8)

score_manchester <- sum(pesos * manchester)
score_esi        <- sum(pesos * esi)

cat(sprintf("Manchester: %.2f | ESI: %.2f\n", score_manchester, score_esi))

Manchester: 7.60 | ESI: 8.00

cat(ifelse(score_manchester > score_esi,
           "Recomendação: Protocolo Manchester",
           "Recomendação: Protocolo ESI"))

Recomendação: Protocolo ESI

Heurísticas para Decisão sob Incerteza

• Sob incerteza genuína (sem probabilidades conhecidas), usam-se critérios de decisão alternativos
• Critério Maximin (pessimista): escolhe a alternativa cujo pior resultado é o melhor possível
• Critério Maximax (otimista): escolhe a alternativa cujo melhor resultado é o melhor possível
• Critério de Laplace: assume que todos os resultados são igualmente prováveis
• Cada critério reflete uma postura de risco diferente do tomador de decisão

Exemplo em R: Critérios Maximin e Maximax

protocolos <- matrix(
  c(5, 8, 2, 6, 6, 6, 9, 3, 1),
  nrow = 3, byrow = TRUE,
  dimnames = list(c("Prot. A",
                    "Prot. B",
                    "Prot. C"),
                  c("Cen. Leve",
                    "Cen. Moderado",
                    "Cen. Grave"))
)
maximin <- apply(protocolos, 1, min)
maximax <- apply(protocolos, 1, max)

cat("Critério Maximin:\n")

Critério Maximin:

print(maximin)

Prot. A Prot. B Prot. C 
      2       6       1 

cat("Decisão Maximin:", names(which.max(maximin)), "\n\n")

Decisão Maximin: Prot. B 

cat("Critério Maximax:\n")

Critério Maximax:

print(maximax)

Prot. A Prot. B Prot. C 
      8       6       9 

cat("Decisão Maximax:", names(which.max(maximax)), "\n")

Decisão Maximax: Prot. C 

Interpretando os Critérios na Saúde

• O Protocolo B (Maximin) é o mais conservador: garante um desempenho mínimo aceitável em qualquer cenário
• O Protocolo C (Maximax) é o mais arriscado: aposta no melhor cenário possível
• Em saúde pública, o critério Maximin é frequentemente preferido — minimiza o pior desfecho possível
• A escolha do critério é, em si, uma decisão de política institucional

Probabilidade Subjetiva (Bayesiana)

• Quando não há frequências históricas confiáveis, usa-se a crença do especialista como probabilidade
• Difere da probabilidade frequentista (baseada em repetição de eventos)
• Permite formalizar a opinião de especialistas dentro de um SAD
• Será aprofundada com o Teorema de Bayes na Aula 3
• Fundamenta a abordagem Delphi (consenso estruturado de especialistas)

Information Anxiety e Sobrecarga Cognitiva

• O termo “Information Anxiety” descreve a angústia gerada pelo excesso de dados disponíveis
• A capacidade de atenção humana processa, em média, 5 a 9 itens simultâneos (Lei de Miller)
• SADs mal desenhados agravam esse problema ao despejar dados não filtrados
• O bom design de interface resume, agrupa e prioriza a informação relevante
• Relevante tanto para o médico à beira do leito quanto para o gestor no dashboard

Fadiga de Decisão em Ambientes Clínicos

• A capacidade de decidir bem se deteriora ao longo de decisões repetidas
• Plantões longos aumentam o risco de erros decisórios por exaustão cognitiva
• SADs podem automatizar decisões rotineiras de baixo risco, preservando a energia decisória do médico para casos complexos
• Reforça o papel do SAD como amplificador da capacidade humana, não substituto

Exercício 7 — Bloco B.2

protocolos <- matrix(
  c(5, 8, 2,
    6, 6, 6,
    9, 3, 1),
  nrow = 3, byrow = TRUE,
  dimnames = list(c("Prot. A", "Prot. B", "Prot. C"),
                   c("Cen. Leve", "Cen. Moderado", "Cen. Grave"))
)

laplace <- apply(protocolos, 1, mean)
cat("Critério de Laplace (média dos cenários, peso igual):\n")

Critério de Laplace (média dos cenários, peso igual):

print(laplace)

 Prot. A  Prot. B  Prot. C 
5.000000 6.000000 4.333333 

cat("Decisão Laplace:", names(which.max(laplace)), "\n")

Decisão Laplace: Prot. B 

O Ciclo Completo: Coleta até Decisão

Coleta → Tratamento → Armazenamento → Análise → Visualização → Decisão Médica.

Explicabilidade na Decisão (XAI)

• Um paciente tem o direito de saber os motivos de uma decisão clínica que o afeta
• Modelos do tipo “caixa-preta” têm dificuldade de explicar a regra utilizada
• O SAD em saúde exige Explainable AI (XAI)
• Estruturas como árvores de decisão geram sentenças legíveis em linguagem natural
• Exemplo: “O fator custo da medicação M pesou contra a indicação de alta antecipada”

Estratégias de Integração Interdepartamental

• Um paciente entra pela triagem, faz exame de imagem, requer exames laboratoriais, fatura pelo plano de saúde
• A governança de dados interliga identificadores únicos do paciente entre sistemas
• O dashboard mestre hospitalar não soma os sistemas isoladamente — extrai visões gerenciais unificadas
• Sem essa integração, a hierarquia DIKW se rompe entre departamentos

Confiabilidade, Validade e o Risco do Excesso de Confiança

• Confiar cega e prematuramente num modelo sem revisão por pares é um risco sério
• Sistemas computacionais carregam vieses de design de seus próprios desenvolvedores
• Modelos podem não refletir anomalias biológicas inéditas (eventos raros, “cisnes negros” epidemiológicos)
• O humano no circuito (human in the loop) é a garantia que reverte decisões do SAD em situações imprevistas

A Ética da Decisão Apoiada por SAD

• Até que ponto delegamos autonomia ao sistema de apoio?
• Um algoritmo focado apenas na maximização utilitarista poderia, por exemplo, descartar pacientes terminais em prol da “eficiência”
• A sabedoria prescritiva do SAD ético deve travar deliberações imorais por meio de restrições éticas explícitas no modelo
• Reforça que o SAD nunca substitui o julgamento ético do profissional

Síntese: Do Dado à Sabedoria — Caso Completo

Esse exemplo percorre todos os quatro níveis da hierarquia DIKW em uma única decisão clínica real.

Exercício 8 — Bloco D.2

SAD em Enfermagem

• Sistemas de acuidade de enfermagem: classificam pacientes por gravidade para dimensionar a equipe
• Apoio à escala de plantões considerando complexidade assistencial, não apenas número de leitos
• Alertas de deterioração clínica (escores como NEWS) integrados ao monitoramento contínuo
• SAD orientado a dados: identifica padrões de queda ou úlcera por pressão em coortes de pacientes

SAD em Fisioterapia

• Modelos de predição de tempo de reabilitação com base em variáveis funcionais iniciais
• SAD orientado a modelos: simula trajetórias de recuperação sob diferentes protocolos de exercício
• Apoio à decisão sobre intensidade e progressão de carga em reabilitação cardiovascular
• Dashboards de acompanhamento de metas funcionais (escalas de equilíbrio, força, amplitude de movimento)

SAD em Fonoaudiologia

• Sistemas de apoio à triagem auditiva neonatal, indicando encaminhamento conforme risco
• Modelos que relacionam tempo de fonação e força muscular respiratória em disfagia
• SAD orientado a dados: identifica padrões de evolução em terapias de linguagem
• Apoio à decisão sobre momento de introdução de dieta oral em pacientes pós-AVC

SAD em Medicina

• Sistemas especialistas clássicos (ex.: MYCIN) para apoio a diagnóstico infeccioso
• Protocolos de triagem (Manchester, ESI) como SAD orientado a regras
• Modelos de risco cirúrgico (ex.: escores ASA) integrados ao prontuário eletrônico
• SAD orientado a modelos para dimensionamento de leitos de UTI em cenários de surto

Síntese: Um Único Framework, Múltiplas Aplicações

Embora as aplicações variem, os quatro componentes do SAD (dados, modelos, motor de inferência, interface) permanecem os mesmos em todas as áreas.

Limitações e Cuidados ao Adotar um SAD

• Um SAD não corrige dados de má qualidade — reforça o princípio garbage in, garbage out
• A adoção exige mudança cultural, não apenas tecnológica
• Excesso de alertas automatizados gera fadiga de alerta e descrédito do sistema
• O SAD deve ser auditável: decisões automatizadas precisam ser explicáveis
• Nenhum SAD substitui o julgamento clínico fundamentado na relação médico-paciente

Recapitulando: Teoria da Decisão

• Decisão é uma escolha informada, não apenas um resultado favorável
• O modelo de Simon estrutura o processo em Inteligência → Design → Escolha
• Teorias normativa, descritiva e prescritiva se complementam
• A racionalidade limitada explica por que buscamos soluções satisfatórias
• As seis facetas da racionalidade ampliam a decisão além do critério financeiro
• Vieses cognitivos exigem contrapesos estruturados (ex.: seis chapéus)

Recapitulando: Ambientes de Decisão

Recapitulando: Hierarquia DIKW

Recapitulando: Qualidade e Governança de Dados

• Garbage In, Garbage Out: a qualidade do dado limita a qualidade da decisão
• Doze dimensões de qualidade de informação (tempestividade, suficiência, etc.)
• Governança envolve políticas, segurança e conformidade legal (LGPD)
• Data Scrubbing é etapa obrigatória antes de qualquer análise
• Metadados garantem interoperabilidade entre sistemas de saúde

Recapitulando: Sistemas de Apoio à Decisão

• SAD: sistema interativo que integra dados e modelos para apoiar decisões semiestruturadas
• Quatro componentes: Dados, Modelos, Motor de Inferência, Interface
• SAD orientado a dados (retrospectivo) vs. orientado a modelos (prospectivo)
• Histórico: sistemas especialistas (1970-80) → redes bayesianas (1990) → Big Data/ML (2000+)
• SAD é prescritivo por natureza: ajuda a decidir, não decide sozinho

Mapa Integrado da Aula 1

Conexão com a Aula 2

• A próxima aula tratará de A Lógica e seus Tipos
• Veremos como formalizar o raciocínio que hoje tratamos de forma conceitual
• A lógica clássica e a lógica fuzzy fornecem as ferramentas matemáticas por trás de sistemas especialistas mencionados hoje
• O tratamento de incerteza ganhará formalização probabilística completa na Aula 3

Conexão com a Parte II (Prof. Eufrásio)

• Os conceitos de dados, modelos e SAD orientado a dados preparam o terreno
• A Parte II tratará de Aprendizagem de Máquina como evolução natural do SAD orientado a dados
• Os modelos de regressão e árvores vistos lá aplicam-se diretamente aos componentes de modelo discutidos hoje
• A discussão de ética em IA retoma e aprofunda as questões éticas e legais apresentadas nesta aula

Atividade

• Elabore um pequeno texto (no máximo uma página).
• Identifique: ambiente de decisão (certeza, risco, incerteza)?
• Identifique: qual faceta da racionalidade domina essa decisão?

Leitura Complementar para a Próxima Aula

• SAUTER, V. L. Decision Support Systems for Business Intelligence. 2. ed. Wiley, 2010. Caps. 1-4
• Revisar os conceitos de conjunto e proposição lógica (pré-requisito para a Aula 2)
• Trazer exemplos de regras clínicas “Se-Então” da sua própria prática

Referências

• SAUTER, V. L. Decision Support Systems for Business Intelligence. 2. ed. Hoboken: Wiley, 2010.
• TURBAN, E.; ARONSON, J. A.; LIANG, T-P. Decision Support Systems and Intelligent Systems. 7. ed. Prentice Hall, 2004.
• SIMON, H. A. Administrative Behavior. 4. ed. Free Press, 1997.
• BEKMAN, O. R. Análise Estatística da Decisão. 2. ed. São Paulo: Blucher, 2009.
• DE BONO, E. Six Thinking Hats. Little, Brown and Company, 1985.