Sistemas de Saúde

Esta linha investiga como projetar sistemas de prontuário eletrônico e infraestruturas de dados clínicos que sejam seguros por padrão: arquiteturas de referência para privacidade em EHR, mapeamento sistemático de requisitos de proteção de dados em saúde, e, mais recentemente, o uso de aprendizagem federada com privacidade diferencial para permitir que hospitais colaborem em modelos preditivos (como risco cardiovascular) sem centralizar dados sensíveis de pacientes.

Artigos Relacionados

• A Robust Pipeline for Differentially Private Federated Learning on Imbalanced Clinical Data using SMOTETomek and FedProx.
  Journal of the Brazilian Computer Society (JBCS), v. 32, n. 1, p. 1891-1904, 2026. | DOI: 10.5753/jbcs.2026.6361
• A robust framework for secure cardiovascular risk prediction: An architectural case study of differentially private federated learning.
  Peer-to-Peer Networking and Applications, Springer, v. 19, n. 4, 2026. | DOI: 10.1007/s12083-026-02265-z
• A Decentralized Architecture for Electronic Health Records to Enhanced Security and Privacy.
  In: 20th European Dependable Computing Conference Companion Proceedings (EDCC-C), 2025, Lisbon. | DOI: 10.1109/EDCC-C66476.2025.00052
• Design a Software Reference Architecture to Enhance Privacy and Security in Electronic Health Records.
  IEEE Access, 2024. | DOI: 10.1109/access.2024.3441751
• Análise de requisitos de privacidade e segurança em registros eletrônicos de saúde.
  Journal of Health Informatics, v. 16, 2024. | DOI: 10.59681/2175-4411.v16.iEspecial.2024.1281
• Privacy in electronic health records: a systematic mapping study.
  Journal Of Public Health-Heidelberg, v. 31, p. 1-20, 2023. | DOI: 10.1007/s10389-022-01795-z

Projetos Relacionados

Registro de Programas

• TBFL-EHR: Secure Identity-Verified Federated Learning Framework.
  Framework de aprendizagem federada segura para consórcios hospitalares, integrando blockchain com identidade auto-soberana (DIDs e credenciais verificáveis). INPI Nº BR512026001519-7.
• FedCVR: Framework de Aprendizado Federado com Privacidade Diferencial.
  Otimização adaptativa no servidor e privacidade diferencial para predição de risco cardiovascular em redes clínicas heterogêneas. INPI Nº 512026005795-7.