Portfólio · Preprint v2026.10 · São Paulo
Fabiano Barcellos Filho1,2
Médico e cientista de dados. Modelos preditivos justos, calibrados e úteis para a saúde pública.
1Gerência Médica de Inovação e IA Assistencial, Hapvida NotreDame Intermédica
2LABDAPS, Faculdade de Saúde Pública, Universidade de São Paulo
Resumo
Trabalho na interseção entre prática clínica, ciência de dados e inteligência artificial. Na Hapvida, lidero projetos de IA médica em escala; no doutorado (FSP-USP), investigo multicalibração e justiça algorítmica em modelos preditivos de saúde pública, isto é, como garantir que uma predição de risco seja igualmente confiável para diferentes subgrupos populacionais. Também desenvolvo software aberto e ensino IA a profissionais de saúde.
Palavras-chavefairness · multicalibração · modelagem clínica · LLMs · dataset shift · epidemiologia
Perspectives · blogEssays on AI in medicineEnsaios sobre IA na medicina
All essays →Todos os ensaios →
The ranking that did not survive a new seedIn April a multicalibration method came first in our comparison. One changed argument in the data split put it last. What forty partitions showed, and what changed in how I report a comparison.
The paper got cheapA same-day desk rejection, an unusually frank editor and what it taught me: with AI agents the benchmark, the figures and the prose got cheap. The question did not.
The ranking that did not survive a new seedIn April a multicalibration method came first in our comparison. One changed argument in the data split put it last. What forty partitions showed, and what changed in how I report a comparison.
O artigo ficou baratoUma rejeição no mesmo dia, um editor de franqueza incomum e o que aprendi com isso: com agentes de IA, o benchmark, as figuras e o texto ficaram baratos. A pergunta, não.
1Introdução
Ensino inteligência artificial na medicina para médicos e profissionais de saúde: pelo curso gratuito ML para Médicos, pela Mentoria Med IA e pelo IA.med, com artigos, podcast e aulas em português. Convites para aulas, palestras, mentoria e parcerias: drfabianofilho@gmail.com.
Sou médico e cientista de dados. Acredito que medicina baseada em evidências, aliada à ciência de dados, pode transformar o cuidado ao paciente, desde que os modelos sejam avaliados com o mesmo rigor que exigimos de qualquer intervenção clínica.
Atualmente atuo como Gerente Médico de Inovação e IA Assistencial na Hapvida NotreDame Intermédica, uma das maiores operadoras de saúde do Brasila, e sou pesquisador no LABDAPS (USP), onde meu doutorado trata de multicalibração em modelos preditivos de saúde públicab.
O software que publico hoje segue algumas convicções vindas da clínica, do laboratório e do sistema de saúde: texto clínico não deve sair da máquina, por isso priorizo modelos locais; dados públicos brasileiros (DATASUS, InfoDengue, Anvisa, CFM, Conitec) merecem ferramentas à altura; avaliar vai além da acurácia, medindo variância entre execuções, excesso de confiança e fragilidade a perturbações; toda ferramenta declara o que não é e traz o link da fonte oficial; e agentes devem entrar no fluxo de trabalho do médico, via servidores MCP e skills, em vez de virar mais uma janela de chat (ver §3).
Moro em São Paulo. Sou vegano.
2Linhas de pesquisa
Selecione uma linha para ver detalhes e métodos.
Modelos treinados em dados reais para prever reinternação em 30 dias, engajamento na Atenção Primária e isquemia em ECG de 12 derivações, com interpretabilidade via GradCAM.
Métodos: CatBoost, XGBoost, PyTorch, Conv1D, GradCAM
Tema do doutorado na FSP-USP: um modelo pode ser bem calibrado na população geral e, ainda assim, sistematicamente sub ou superestimar o risco de subgrupos específicos. Técnicas de pós-processamento, como MCBoost e calibração isotônica, corrigem isso sem retreinar o modelo.
Métodos: MCBoost, SHAP, calibração isotônica
Figura 1.Diagrama de confiabilidade por subgrupo. A diagonal é a calibração perfeita. Alterne para ver o efeito da multicalibração.
subgrupoECE
Dados sintéticos, apenas para ilustrar o método.
Validação de GPT-4, Claude e modelos abertos para triagem, autorização de procedimentos e suporte à decisão. Sistemas RAG com base de conhecimento médico para respostas fundamentadas em evidências. Avaliação além da acurácia: variância entre execuções idênticas, calibração e fragilidade a perturbações semânticas (iamed-harness, §3.3).
Métodos: LLMs, RAG, grounding, engenharia de prompt
Integração hospitalar via FHIR R4, extração de informação de prontuários com NLP e pipelines de dados clínicos para alimentar modelos de machine learning.
Métodos: FHIR, HL7, NLP, EHR
Modelos preditivos multicêntricos para COVID-19 e ganho de peso gestacional; pesquisa ativa em dataset shift e aprendizado federado (ver [3], [6], [7], [8]). Previsão de dengue em 8 capitais e de mortalidade cardiovascular em São Paulo com dados públicos, comparando modelos estatísticos, boosting e modelos de fundação (§3.3).
Métodos: epidemiologia, dataset shift, federated learning, séries temporais
3Software
Situação de registro de medicamentos e dispositivos médicos recentes a partir dos dados abertos da Anvisa, com sinalização heurística de dispositivos baseados em IA. Conector público disponível.
Busca e monitora resoluções do CFM sobre IA, telemedicina e prontuário eletrônico. Conector público disponível.
Consulta os protocolos clínicos do Ministério da Saúde (PCDT/Conitec) e resume a conduta recomendada com citação literal verificada.
Acompanha PubMed e medRxiv em temas configuráveis e resume os artigos novos com um LLM local, sem duplicatas por DOI.
Revisa notas clínicas SOAP atrás de campos faltantes e incoerências entre queixa, exame e conduta. 100% offline.
3.2Laboratórios abertos com dados públicos de saúde
Laboratório aberto de modelagem preditiva: o mesmo pipeline sobre microdados do DATASUS, sobre a sua própria base ou sobre benchmarks internacionais. Com app ao vivo.
Vigilância epidemiológica integrada: alertas de surto (z-score, CUSUM, LightGBM), grafo de coocorrência de CID-10, planejamento de insumos e mapa saneamento × doença. Com app ao vivo.
Séries temporais e machine learning sobre bases do DATASUS para antecipar tendências epidemiológicas e apoiar a gestão em saúde.
Perguntas em português, sem SQL, sobre SIM, SIH, SIA e IBGE. LLMs com DuckDB para análise local de dados do DATASUS.
3.3Avaliação, previsão e assistentes clínicos
Harness mínimo e auditável para avaliar LLMs em questões clínicas de múltipla escolha: variância entre execuções, calibração e perturbações semânticas. O primeiro comando roda offline, sem chave de API.
Mortalidade cardiovascular mensal no estado de São Paulo (SIM, 2010 a 2023): SARIMA, Prophet, TimesFM e boosting, com backtesting de origem móvel e incerteza medida.
Previsão de dengue em 8 capitais brasileiras (InfoDengue, 2010 a 2024): naive sazonal, SARIMA, Prophet, LightGBM, XGBoost, CatBoost, RF e TimesFM 2.5 zero-shot.
Assistentes clínicos multiagente inspirados no AMIE (DeepMind), com inferência local via MedGemma e Ollama. A IA como suporte ao médico, nunca substituto.
Transcritor clínico que gera notas SOAP a partir de consultas, estruturando o diálogo médico-paciente em documentação padronizada.
3.4Listas curadas e comunidade
Lista curada de recursos de IA médica: artigos, bases de dados, ferramentas, modelos pré-treinados, código e competições, com atualização semanal automática.
Bases de dados abertas de saúde, imagem médica, dados clínicos e bioinformática.
Skills colaborativas do Claude Code para o LABDAPS (FSP-USP): ML em saúde e escrita científica, distribuídas como plugins.
Suíte clínica /med para o Claude: respostas diretas e 8 modelos estruturados de raciocínio clínico.
4Publicações selecionadas
- [1]Machine learning for risk stratification of in-hospital mortality in patients with cervical cancer: an analysis of hospital admissions in Mato Grosso, Brazil. BMC Cancer, 2026.
- [2]The feature ceiling: recognizing data-driven performance limits as a diagnostic category in clinical machine learning. JMIR AI, 2026 (no prelo).
- [3]Transfer learning for COVID-19 predictive modeling: a multicenter study of 12 hospitals. Annals of Epidemiology, 2025.
- [4]Improving meningitis surveillance and diagnosis with machine learning: insights from São Paulo. PLOS Digital Health, 2025.
- [5]Artificial intelligence for the diagnosis of erythematous-squamous dermatological diseases: technological contributions to primary care. Anais Brasileiros de Dermatologia, 2025.
- [6]Strategies for detecting and mitigating dataset shift in machine learning for health predictions: a systematic review. Journal of Biomedical Informatics, 2025.
- [7]Predictive modeling of gestational weight gain: a machine learning multiclass classification study. BMC Pregnancy and Childbirth, 2024.
- [8]Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with machine learning. PLOS Digital Health, 2024.
- [9]Feature selection for identification of risk factors associated with infant mortality. Lecture Notes in Computer Science, 2022.
- [10]An interpretable machine learning model for COVID-19 screening. Journal of Human Growth and Development, 2022.
- [11]A bibliometric network analysis of coronavirus during the first eight months of COVID-19 in 2020. International Journal of Environmental Research and Public Health, 2021.
- [12]Maternal perception of the child's nutritional status from the perspective of adjusted residual analysis. Journal of Human Growth and Development, 2020.
5Trajetória
5.1Atuação
2026 → presente
Coordenador Médico da Comissão de IAs e TelemedicinaHapvida NotreDame Intermédica · Diretoria Técnica de TI
2026 → presente
Gerente Médico de Inovação e IA AssistencialHapvida NotreDame Intermédica
2024 → presente
Doutorado em Machine Learning na Saúde PúblicaFSP-USP · LABDAPS, pesquisador desde 2023
2023 → presente
Fundador e investidorIA.med · Medicina e Inteligência Artificial
2023 → presente
Research CollaboratorMIT Critical Data
2024 → 2025
Professor de IA na Medicinaamo medicina · Unyleya Educacional
2024 → 2025
Médico cientista de dadosLean Saúde · modelos preditivos para beneficiários
2021 → 2025
Do estágio em ciência de dados a Head of Medical AI InnovationNeomed · IA Mariê para cardiologia, ECG com deep learning
2023
Consultor em ciência de dados médicosInstituto Dante Pazzanese de Cardiologia · predição no pronto-socorro
2022 → 2023
Pesquisador: research fellowship e PROADI MARIAHospital Israelita Albert Einstein · idade cerebral por tomografia com deep learning
5.2Formação
2024 → 2027
Doutorado (PhD) em Machine Learning na Saúde PúblicaUniversidade de São Paulo · Faculdade de Saúde Pública
2023 → 2024
Pós-graduação em Medicina de FamíliaFaculdade Israelita Albert Einstein
2015 → 2023
Graduação em Medicina (MD)EMESCAM · Vitória, ES
5.3Prêmios e apresentações
2026
Pôster do AI scribe no AI Research SummitMayo Clinic · representando a Hapvida
2019
1º lugar no Hackathon DesenvolveSCIAbsentech · IA para prever faltas em consultas
2019
3º lugar no Datathon de asma da GSKMachine learning para prever desperdício de recursos na asma
5.4Certificações selecionadas
2025
1º Treinamento de IA em MedicinaCremesp
2024
Fundamentals of AI and Machine Learning in HealthcareStanford University School of Medicine
2024
Deep LearningIME-USP
2020
AI for Medicine SpecializationDeepLearning.AI
Como citar esta página
@misc{barcellosfilho2026,
author = {Barcellos Filho, Fabiano},
title = {Medicina, Dados e IA: portfólio},
year = {2026},
url = {https://fabianofilho.com}
}