UNIVERSIDADE ESTADUAL PAULISTA  

“JÚLIO DE MESQUITA FILHO” 
Câmpus de Marília 

 

 

ALLAN FERREIRA 

 

 

 

 

Modelo de arquitetura para interoperabilidade de dados de saúde utilizando 
padrão FHIR 

 

 

 

 

 

 

 

 

 

 

Marília 
2024  



 
 

ALLAN FERREIRA 

 

 

 

 

Modelo de arquitetura para interoperabilidade de dados de saúde 
utilizando padrão FHIR 

 

 

Dissertação apresentada ao Programa de Pós-
Graduação em Ciência da Informação como parte 
das exigências para a obtenção do título de 
Mestre em Ciência da Informação pela Faculdade 
de Filosofia e Ciências, Universidade Estadual 
Paulista (UNESP), Campus de Marília. 
 

Área de Concentração: Informação, Tecnologia 
e Conhecimento 
 
Linha de Pesquisa: Informação e Tecnologia 
 
Orientador: Prof. Dr. Leonardo Castro Botega 
 
Coorientadora: Profa. Dra. Mariângela Spotti 
Lopes Fujita  

 
 
 
 
 
 
 
 
 

 
 

Marília 
2024 



 
 

 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 
 

 

 

 

 



 
 

Impacto potencial desta pesquisa 

 

O modelo FHIR-FLOW impacta diretamente na interoperabilidade entre sistemas de saúde, 

melhorando a comunicação entre diferentes plataformas de registros eletrônicos de saúde 

(EHR). Ele utiliza tecnologias avançadas como LLM e BERT dentro do padrão FHIR para 

análise e mapeamento precisos dos dados de saúde. Essa abordagem não apenas facilita 

diagnósticos mais precisos e tratamentos personalizados, mas também contribui 

significativamente para a Ciência da Informação, fornecendo uma base sólida para futuras 

pesquisas e práticas na área de interoperabilidade de dados de saúde. 

 

 

 

 

 

 

 

Potencial impact of this research        

 

The FHIR-FLOW model directly impacts interoperability between healthcare systems by 

improving communication between different electronic health records (EHR) platforms. It uses 

advanced technologies like LLM and BERT within the FHIR standard for accurate analysis and 

mapping of healthcare data. This approach not only facilitates more accurate diagnoses and 

personalized treatments, but also contributes significantly to Information Science by providing 

a solid foundation for future research and practice in the area of health data interoperability. 

 

 

 

 

 

 

 

 

Impacto potencial de esta investigación     

 

El modelo FHIR-FLOW impacta directamente la interoperabilidad entre los sistemas de salud 

al mejorar la comunicación entre diferentes plataformas de registros médicos electrónicos 

(EHR). Utiliza tecnologías avanzadas como LLM y BERT dentro del estándar FHIR para un 

análisis y mapeo precisos de datos de atención médica. Este enfoque no sólo facilita 

diagnósticos más precisos y tratamientos personalizados, sino que también contribuye 

significativamente a las Ciencias de la Información al proporcionar una base sólida para 

futuras investigaciones y prácticas en el área de la interoperabilidad de datos de salud. 

 

  



 
 

Allan Ferreira 

 

 

 

 

 

 

 

 Modelo de arquitetura para interoperabilidade de dados de saúde 

utilizando padrão FHIR  

 

Dissertação apresentada ao Programa de Pós-graduação em Ciência da Informação da 

Universidade Estadual Paulista “Júlio de Mesquita Filho” (Unesp), como requisito parcial 

para a obtenção do título de Mestre em Ciência da Informação. 

  

Área de concentração: Informação, Tecnologia e 

Conhecimento 

Linha de pesquisa: Informação e Tecnologia 

 

 
 

Banca Examinadora 

 
Prof. Dr. Leonardo Castro Botega 

UNESP – Câmpus de Marília 

Orientador 

 
Prof. Dr. Caio Saraiva Coneglian  
Centro Universitário Eurípides de Marília 

Examinador 

 
Prof. Dr. Joice Basílio Machado Marques 
Pesquisador/Sofya 

Examinador 

 

 

 

 

 

 

Marília, 01 de março de 2024. 



 
 

AGRADECIMENTOS 

 

À Deus pela oportunidade e condições de realizar este trabalho. 

 

Aos meus pais, Zilda e Lourenço. Nenhuma palavra humana é capaz de expressar em sua 

completude os meus sentimentos de amor, carinho e gratidão por tudo o que vocês sempre 

fizeram por mim. 

 

À minha esposa Sara por todo apoio, incentivo e cuidado com nossa família especialmente 

nos momentos que precisei alocar energia extra para a construção deste trabalho 

 

Ao meu orientador Prof. Dr. Leonardo Castro Botega, pela oportunidade, paciência e 

orientações, as quais impactaram minha carreira positivamente de um jeito ímpar. 

 

Ao grupo de estudos “HAIS” do Hospital das Clínicas da Faculdade de Medicina de 

Marília, pela participação na fase inicial deste trabalho. 

 

Aos colegas do PPGCI da Unesp e dos grupos de pesquisa, por todo apoio, companheirismo 

e troca de conhecimento.  



 
 

RESUMO 
 
A evolução dos registros eletrônicos de saúde revelou um desafio crítico diretamente 
ligado à interoperabilidade dos dados, causado pela falta de padrões unificados entre 
os sistemas de saúde. Este estudo enfrentou tal desafio ao desenvolver um modelo 
de arquitetura da informação chamado FHIR-FLOW, que utiliza o padrão Fast 
Healthcare Interoperability Resources (FHIR) e incorpora tecnologias avançadas de 
aprendizado de máquina, especificamente, Modelos de Linguagem Grande (LLM) e o 
modelo BERT, para o reconhecimento eficaz de entidades e extração de recursos 
FHIR. A pesquisa fundamentou-se na análise detalhada de dados de alergia, 
provenientes dos prontuários eletrônicos do Hospital Sírio Libanês, aliada a uma 
extensa revisão bibliográfica sobre interoperabilidade, destacando-se pela integração 
da Ciência da Informação (CI) através do uso de uma matriz de metadados de 
negócios, que foi importante para estruturar e interpretar os dados de saúde de 
maneira coerente, assegurando uma base sólida para a construção e validação do 
modelo. Os resultados obtidos com o FHIR-FLOW indicaram melhorias na 
interoperabilidade que facilitam a comunicação entre sistemas de saúde diversos. A 
implementação das técnicas de LLM e BERT, adicionadas do Snowstorm (um 
classificador de termos utilizado na camada terminológica), permitiu uma interpretação 
e processamento precisos das terminologias médicas. Em cenários generalistas, o 
modelo alcançou taxas de acerto superiores a 66%, enquanto em cenários específicos 
de alergia, a precisão ultrapassou os 90%. Tais achados evidenciam a eficácia do 
modelo não apenas na melhoria da interoperabilidade e na comunicação entre 
sistemas, e este avanço significativo para os cuidados de saúde na era digital enfatiza 
a contribuição da Ciência da Informação, especialmente no que tange ao 
desenvolvimento e aplicação de estruturas de dados. O sucesso do FHIR-FLOW 
ressalta a importância de abordagens inovadoras na superação dos desafios de 
interoperabilidade, servindo como referência para futuras pesquisas e práticas na 
área. 
 
Palavras-chave: Arquitetura da informação; FHIR. 
 
 
  



 
 

ABSTRACT 
 
The evolution of electronic health records has revealed a critical challenge directly 
linked to data interoperability, caused by the lack of unified standards across 
healthcare systems. This study addressed this challenge by developing an information 
architecture model called FHIR-FLOW, which uses the FHIR (Fast Healthcare 
Interoperability Resources) standard and incorporates advanced machine learning 
technologies, specifically Large Language Models (LLM) and the BERT model. for 
effective entity recognition and FHIR feature extraction. The research was based on 
the detailed analysis of allergy data from the electronic medical records of Hospital 
Sírio Libanês, combined with an extensive bibliographic review on interoperability, 
highlighting the integration of Information Science through the use of a business 
metadata matrix, It was important to structure and interpret health data in a coherent 
way, ensuring a solid basis for model construction and validation. The results obtained 
with FHIR-FLOW indicated improvements in interoperability that facilitate 
communication between different health systems. The implementation of LLM and 
BERT techniques, added to Snowstorm (a term classifier used in the terminological 
layer), allowed accurate interpretation and processing of medical terminologies. In 
general scenarios, the model achieved accuracy rates above 66%, while in allergy-
specific scenarios, accuracy exceeded 90%. Such findings highlight the effectiveness 
of the model not only in improving interoperability and communication between 
systems, and this significant advance for healthcare in the digital era emphasizes the 
contribution of Information Science, especially with regard to the development and 
application of information structures. data. The success of FHIR-FLOW highlights the 
importance of innovative approaches in overcoming interoperability challenges, 
serving as a reference for future research and practices in the area. 
 
Keywords: Information Architecture; FHIR. 
 
 
 
 
 
 
 
 
 
 
  



 
 

LISTA DE ILUSTRAÇÕES 
 

Figura 1 – Esquema do passo a passo da metodologia 20 

Figura 2 – Mapa conceitual do ambiente informacional de prontuário 

eletrônico 

 

24 

Figura 3 – Visão de acesso aos recursos na arquitetura FHIR 32 

Figura 4 – Diagrama UML parcial do recurso FHIR Patient 33 

Figura 5 – Mapa conceitual da arquitetura do padrão FHIR 35 

Figura 6 – Etapas do modelo BERT 43 

Figura 7 – Machine Learning na área da saúde 49 

Figura 8 – Representação, recuperação e acesso à informação de dados 

clínicos 

 

54 

Figura 9 – Mapa conceitual dos atributos do dataset de alergia do HSL 57 

Figura 10 – Representação do recurso FHIR AllergyIntolerance 58 

Figura 11 – Fluxo geral de transformações dos dados e etapas do FHIR-

FLOW 

 

66 

Figura 12 – Etapas da extração sintática e semântica 69 

Figura 13 – Camada de identificação FHIR 73 

Figura 14 – Camada terminológica 75 

Figura 15 – Fluxo geral do modelo 80 

Figura 16 – Amostra de validação de texto livre com a aplicação atuando 91 

Figura 17 – Tela de validação de dados estruturados e download do 

resultado 

 

91 

  

Gráfico 1 – Análise de presença e ausência de dados 87 

 
 

 

 

 
  



 
 

LISTA DE TABELAS 

 

Tabela 1 – Dados comparativos entre trabalhos correlatos 30 

Tabela 2 – Principais tipos de Machine Learning e sua correlação com a CI 38 

Tabela 3 – Exemplo de prompt de chamada para GPT3.5-Turbo 47 

Tabela 4 – Amostra original dos dados de alergia do HSL 56 

Tabela 5 – Metadados de negócio gerados com interoperabilidade no 

padrão FHIR 

 

63 

Tabela 6 – Exemplo de extração de triplas a partir de fontes de dados 70 

Tabela 7 – Exemplo de identificação de recursos FHIR através de triplas 74 

Tabela 8 – Exemplo de identificação terminológica em recursos FHIR 76 

Tabela 9 – Uso da SNOMED CT em diversas áreas da saúde 78 

Tabela 10 – Anamneses geradas para validação de conformidade FHIR  82 

Tabela 11 – Receituários gerados para validação de conformidade FHIR 83 

Tabela 12 – Dados de alergia gerados para validação de conformidade 

FHIR 

 

85 

Tabela 13 – Amostra de dados 88 

Tabela 14 – Amostra de dados validados 89 

Tabela 15 – Dados não validados 90 



 
 

LISTA DE ABREVIATURAS E SIGLAS 

 

AI  Arquitetura da Informação 

API  Application Programming Interface 

BERT Bidirecional Encoder Representations from Transformers  

BRAPCI Biblioteca de Dados em Ciência da Informação 

CI  Ciência da Informação 

EMR  Electronic Medical Records 

EHR  Electronic Health Records 

ERP           Enterprise Resource Planning 

FIHR Fast Healthcare Interoperability Resources  

HL7  Health Level 7 

HSL  Hospital Sírio Libanês 

HTTP Hypertext Transfer Protocol  

IA  Inteligência Artificial 

ICD  International Classification of Diseases 

IEEE  Institute of Electrical and Electronics Enginners 

JSON JavaScript Object Notation 

LLM  Large Language Model 

LOINC Logical Observation Identifiers Names and Codes 

MIMIC Medical Information Mart for Intensive Care 

ML  Machine Learning 

MRCM Machine-Readable Concept Model 

NER  Named Entity Recognition 

NLP  Natural Processing Language 

PEP  Prontuário Eletrônico do Paciente 

PLN  Processamento de Linguagem Natural 



 
 

RCTM Rede Catarinense de Telemedicina 

RDA  Resource Description Framework 

REST Representational Transfer State 

SNOMED CT Systematized Nomenclature of Medicine – Clinical Terms 

TISS  Troca de Informação para Saúde Suplementar 

UML  Unified Modeling Language 

USI  Unidade Semi Intensiva 

URI  Uniform Resource Identifier 

VA  Veteran’s Administration 

XML  Extensible Markup Language  



 
 

SUMÁRIO 

 

1 INTRODUÇÃO 15 

1.1 Problema de Pesquisa 16 

1.2 Justificativa 17 

1.3 Metodologia 18 

1.4 Estrutura da Pesquisa 21 

2 PANORAMA DOS DADOS DE SAÚDE 23 

2.1 Interoperabilidade de dados de saúde 26 

3 INTEROPERABILIDADE DE DADOS DE SÁUDE: TRABALHOS 

CORRELATOS 

 

28 

4 PADRÃO FHIR 31 

4.1 Arquitetura Geral do FHIR 31 

4.2 Recursos FHIR 32 

5 MACHINE LEARNING NA ÁREA DA SAÚDE 37 

5.1 Potencial e aplicações 37 

5.2 Processamento de Linguagem Natural 40 

5.3 Modelos de Aprendizado de Máquina em PLN: BERT 42 

5.4 Modelos de Linguagem Grande (LLMs) 45 

5.4.1 Modelo GPT3.5-Turbo 46 

5.5 Desafios na Integração de ML e Saúde 48 

6 DADOS DE ALERGIA DO HOSPITAL SÍRIO LIBANÊS: ANÁLISE 

COM METADADOS DE NEGÓCIO 

 

51 

6.1 Importância de dados de alergia 51 

6.2 Aplicação de metodologia de Arquitetura da Informação 53 

7 FHIR-FLOW: MODELO DE MAPEAMENTO DE DADOS DE SAÚDE 

PARA FHIR 
65 

7.1 Camada Sintática e Semântica 67 

7.2 Camada Identificação FHIR 72 

7.3 Camada Terminológica 74 

7.3.1 SNOMED CT 77 

7.3.2 Servidor de terminologias Snowstorm 79 

7.4 Validação do modelo 79 

7.4.1 Avaliação da conformidade FHIR 81 



 
 

7.4.2 Integridade e consistência dos dados 87 

8 CONSIDERAÇÕES FINAIS 93 

8.1 Conclusões 93 

8.2 Contribuições 94 

 REFERÊNCIAS 96 

 

  



15 
 

1 INTRODUÇÃO 

 

Com o aumento do desenvolvimento de aplicações, que permitem a 

transposição de registros físicos para meios eletrônicos, a área de saúde tem se 

beneficiado com o aspecto de persistência e recuperação de dados através dos 

Eletronic Medical Records (EMR), na influência direta de como os profissionais 

ministram os cuidados aos pacientes, e no auxílio do pensamento clínico crítico 

(Tierney, 2013). 

Mediante o número de instituições e softwares existentes, um dos desafios dos 

EMR está na padronização da Arquitetura da Informação (AI), visto que um paciente, 

ao longo da vida, tem seus dados registrados em diferentes instituições, com 

diferentes bases de dados e estruturas de armazenamento. As principais dificuldades 

concentram-se no problema da arquitetura e representação da informação para uso 

computacional, mediante a complexidade do cenário de saúde, e na existência de um 

grande volume de padrões e arquiteturas existentes, em que cada instituição tem 

dificuldade de escolha particular no momento de selecionar a arquitetura que lhe trará 

um melhor custo-benefício (Petry et al., 2008).  

Neste sentido, a interoperabilidade dos dados de saúde, definido como a 

capacidade de dois ou mais sistemas cooperarem apesar das diferenças de 

linguagem, estruturas ou plataforma de execução (Wegner, 1996), tem como 

necessidade uma construção de uma arquitetura da informação que proporcione a 

troca de dados entre os diferentes sistemas, para permitir o aumento da capacidade 

de organização e recuperação dos dados. Portanto, pode gerar uma série de 

benefícios para as organizações de saúde, como cuidado mais eficaz ao paciente e a 

possibilidade de se recuperar informação de diferentes fontes que estão distribuídas 

e armazenadas em ambientes heterogêneos (Nardon, 2003).  

No sentido de auxiliar a arquitetura da informação de modelos interoperáveis 

na área da saúde, existe uma série de padrões que norteiam a modelagem de 

metadados de negócio e facilitam a troca de dados entre instituições que adotam os 

mesmos modelos semânticos. Dentre eles, é possível notar modelos para diversas 

subáreas da saúde, como cenário laboratorial, clínico, cirúrgico e entre outros.  

No Brasil, a Troca de Informação para Saúde Suplementar (TISS) é um modelo 

padrão para troca de informações entre os agentes de saúde suplementar e planos 

de saúde, que tem por objetivo a uniformização de ações clínicas, administrativas e 



16 
 

financeiras, com a permissão do acompanhamento financeiro das operadoras de 

convênios médicos. O padrão Fast Healthcare Interoperability Resources (FHIR), 

desenvolvido pela Health Level 7 International (HL7®), é um protocolo internacional 

para envio e recebimento de dados na área da saúde, que contempla informações 

clínicas e administrativas e está de acordo com a necessidade de integração de dados 

na área da saúde para otimizar a pesquisa e o desenvolvimento, como afirma Noumeir 

(2019). 

Considerando que os dados de cuidados de saúde primários são a fonte mais 

rica de dados de saúde (Thiru et al., 2003), ao utilizar conceitos da Ciência da 

Informação (CI) para realizar a modelagem de arquitetura da informação, busca-se 

obter a integração de dados e equivalência semântica de diversas fontes 

heterogêneas, dessa forma, assegurando a fidedignidade da informação, 

simplificando e unificando a pesquisa e recuperação das informações. Com isso, no 

Brasil, é necessário enfatizar que há uma preocupação com a interoperabilidade de 

sistemas médicos, no qual evidenciou-se por meio da portaria nº 2.073, de 2011, do 

Ministério da Saúde, sendo uma das recomendações desta adotar ontologias e 

terminologias para lidar com as questões de interoperabilidade de Sistemas de 

Informação (Brasil, 2011). 

 

1.1 Problema de Pesquisa 

 

Com base na importância do cuidado de saúde e na velocidade da evolução 

tecnológica, a troca de informações entre diferentes sistemas de saúde é mais que 

uma necessidade; é um requisito para o avanço da prestação de cuidados de saúde 

de maneira eficiente. A integração de tecnologias de informação no setor tem 

desempenhado um papel importante, não apenas na melhoria da gestão de dados de 

saúde, mas também na facilitação do acesso a informações críticas para a tomada de 

decisões clínicas. Contudo, esses avanços trazem desafios, especialmente no que diz 

respeito à gestão eficiente e ao uso estratégico dos dados acumulados no decorrer 

da vida dos pacientes. 

A realidade operacional de muitos sistemas de saúde revela o problema central 

da pesquisa: a dificuldade em estabelecer uma troca de informações fluida e eficaz 

entre diferentes entidades de saúde. Esta dificuldade é agravada pela falta de padrões 

unificados de dados, que resulta em um cenário onde informações médicas são 



17 
 

frequentemente armazenadas de forma não estruturada e fragmentada. Este cenário 

dificulta o compartilhamento de informações médicas e limita a capacidade dos 

profissionais de saúde de acessar e utilizar plenamente os dados disponíveis para 

melhorar a qualidade do atendimento ao paciente. 

Neste contexto, a interoperabilidade, que se refere à capacidade dos sistemas 

de trocar e utilizar informações de maneira eficiente, surge como um elemento 

habilitador. Este estudo se propõe a explorar a questão da interoperabilidade no setor 

de saúde, enfrentando, portanto, o desafio de extrair informações valiosas tanto de 

dados estruturados quanto não estruturados, em diversos cenários, e a dificuldade de 

desenvolver técnicas para mapear e extrair esses dados de forma eficiente, 

garantindo uma semântica clara e compartilhável. 

 

1.2 Justificativa 

 

 A evolução na prestação de serviços de saúde se tornou uma busca incessante 

diante do crescimento da demanda e da constante limitação de recursos. Entre as 

tecnologias utilizadas nesta evolução, destaca-se a tecnologia da informação, em 

especial, o uso de registros eletrônicos de saúde, que tem o potencial de reformular a 

coleta, armazenamento e utilização dos dados dos pacientes. 

Apesar das inúmeras possibilidades trazidas pelos registros eletrônicos de 

saúde, a troca eficaz e fluida de informações entre diferentes sistemas de saúde é 

limitada frequentemente pela ausência de padrões universais de representação de 

dados. Esta lacuna na interoperabilidade impacta diretamente na agilidade e na 

qualidade dos serviços prestados, tornando necessário o desenvolvimento de 

soluções eficazes para essa questão. 

O presente estudo justifica-se em várias frentes: primeiro ele proporciona um 

panorama contemporâneo dos desafios e práticas na arquitetura da informação no 

domínio da saúde. Adicionalmente, o desenvolvimento de um modelo informacional 

proposto neste estudo promete ser um instrumento útil para profissionais que lidam 

com registros eletrônicos de saúde e buscam melhorar sua interoperabilidade. 

Ainda, a pesquisa possui a capacidade de elucidar perspectivas relevantes 

para a elaboração de novas estratégias e políticas de gestão da informação em saúde, 

objetivando a promoção da interoperabilidade. Esse processo pode resultar na 



18 
 

melhoria do cuidado ao paciente, o que demonstra a aplicabilidade e relevância do 

estudo. 

O papel da Ciência da Informação na melhoria da representação e recuperação 

de informações nos sistemas de saúde fica evidente pelo uso de técnicas e métodos 

de tratamento, organização e recuperação dos dados. O estudo proposto buscou, 

dessa forma, abordar a questão da interoperabilidade, com expectativa de oferecer 

contribuições para o campo e beneficiar a troca de informações no setor de saúde. 

 

1.3 Metodologia 

 

Os procedimentos metodológicos deste estudo consistem em uma pesquisa 

básica, pois objetiva “gerar conhecimentos para o avanço da ciência sem aplicação 

prática prevista” (Prodanov; Freitas, 2013, p.51). Do ponto de vista dos objetivos 

estabelecidos, trata-se de uma pesquisa exploratória e documental, com a finalidade 

de proporcionar mais informações sobre o assunto a ser investigado, possibilitando 

sua definição e seu delineamento, e uso de documentos para o desenvolvimento do 

trabalho.  

Quanto aos procedimentos técnicos empregados, este estudo compõe-se de 

uma pesquisa bibliográfica, porque se baseia na revisão de um conjunto relevante de 

fontes bibliográficas, como livros, artigos científicos, teses e dissertações, além de 

observações e análises de documentos com dados de alergia anonimizados advindos 

de prontuários eletrônicos, fornecidos pelo Hospital Sírio Libanês (HSL). 

A construção da arquitetura do modelo proposto foi iniciada com uma análise 

detalhada dos dados de alergia fornecidos pelo HSL. Este processo de análise e 

mapeamento de dados teve como intuito identificar padrões, variações e possíveis 

lacunas nas informações disponíveis, para posteriormente mapear estes dados 

conforme o padrão FHIR, garantindo, nesse sentido, a precisão e integridade das 

informações durante sua transferência. 

Com base na análise e mapeamento realizados, foi desenvolvido um modelo 

de interoperabilidade, utilizando o padrão FHIR com terminologia Systematized 

Nomenclature of Medicine - Clinical Terms (SNOMED CT), construído com a intenção 

de ser flexível e permitir sua implementação em variados contextos da área da saúde. 

Para consolidar o estudo, uma implementação do modelo, juntamente com um 

servidor FHIR, foi configurado, possibilitando em realizar testes e validar protocolos 



19 
 

do padrão. Este modelo, nomeado FHIR-FLOW, foi avaliado com base em sua eficácia 

em promover a interoperabilidade com FHIR e superar barreiras existentes na troca 

de informações de saúde, considerando tanto bases de dados estruturadas como não 

estruturadas. 

Com relação às questões teóricas desta pesquisa e aos detalhes dos 

procedimentos metodológicos aplicados, foi realizada inicialmente uma composição 

do corpus teórico. Este processo foi conduzido por meio de uma pesquisa bibliográfica 

abrangente, consultando diversas bases de dados relevantes para as áreas da 

Ciência da Informação e Ciência da Computação. As bases de dados incluíram: Base 

de Dados em Ciência da Informação (BRAPCI), Institute of Electrical and Electronics 

Engineers (IEEE) XPlore e entre outras. Os termos utilizados nas buscas foram 

"interoperabilidade saúde" e "health interoperability", respectivamente. O objeto de 

análise considerado neste estudo são os artigos científicos. 

A partir das buscas realizadas, um total de 29 artigos foram encontrados na 

BRAPCI, dos quais 8 foram identificados como alinhados à proposta desta pesquisa. 

Da mesma forma, na base de dados IEEE XPlore, dos 17 artigos retornados, 4 foram 

pertinentes à proposta da pesquisa.  

Com a literatura recuperada, os artigos selecionados foram submetidos a uma 

leitura detalhada, buscando destacar o problema de pesquisa, os objetivos, a 

metodologia, os resultados e as conclusões de cada trabalho. Este processo permitiu 

uma compreensão mais profunda dos desafios e avanços recentes no campo da 

interoperabilidade na saúde. 

No aspecto empírico desta pesquisa, foi conduzido um estudo sobre o padrão 

de interoperabilidade de dados FHIR. Esta investigação não se limitou a uma análise 

teórica da estrutura e composição do padrão, mas também incluiu a implementação 

concreta de um servidor FHIR. Em paralelo, foram aplicadas técnicas de Machine 

Learning (ML) e Processamento de Linguagem Natural (PLN) para a extração de 

dados dos documentos. Dada a heterogeneidade dos dados, que podem se 

apresentar de forma estruturada ou não, o ML e o PLN foram instrumentais na 

identificação e extração de entidades, permitindo uma compreensão do conteúdo dos 

dados clínicos. Ademais, foram analisados dados de alergia de prontuários eletrônicos 

fornecidos pelo Hospital Sírio Libanês, através de uma metodologia de arquitetura da 

informação para extração de metadados de negócio, que contribuiu estabelecendo 



20 
 

uma conexão entre teoria e realidade do setor de saúde, e permitiu a validação efetiva 

do modelo de interoperabilidade proposto. 

Este estudo também avançou na implementação e validação do modelo de 

interoperabilidade desenvolvido, fase que envolveu a construção e aplicação do 

modelo em um ambiente controlado, utilizando dados reais para avaliar sua eficácia. 

Testes foram conduzidos para assegurar a integração e comunicação eficaz 

comparando o resultado com a análise que foi realizada com os dados do HSL. 

No que diz respeito às limitações deste estudo, a pesquisa concentrou-se 

apenas na interoperabilidade de dados de saúde existentes e nos desafios 

associados, sem se aprofundar nas etapas anteriores da construção de novas bases 

de dados, e também com relação a aplicação terminológica, onde foi considerada 

somente a terminologia SNOMED CT. O esquema dos passos desenvolvidos na 

metodologia pode ser observado na Figura 1. 

 

Figura 1 – Esquema do passo a passo da metodologia. 

 

Fonte: Elaborado pelo autor. 

A Figura 1 mostra uma visão geral da metodologia da pesquisa, iniciando com 

pesquisa básica e exploratória, seguida de análise bibliográfica. Posteriormente, 

ocorre a análise e mapeamento de dados de alergia do HSL, adaptando-os ao padrão 

FHIR. O desenvolvimento do modelo de interoperabilidade envolve a utilização do 

padrão FHIR e SNOMED CT, com a seguinte configuração e testes em um servidor 

FHIR, resultando na implementação e validação do modelo com testes práticos. 



21 
 

1.4 Estrutura da Pesquisa 

 

A seção de introdução tem como objetivo apresentar e delimitar o escopo da 

pesquisa e expor os principais desafios e oportunidades relacionados ao tema em 

questão. No texto é detalhado o problema de pesquisa, a justificativa e os objetivos 

gerais e específicos do estudo. Além disso, é apresentada a metodologia aplicada 

para o desenvolvimento da pesquisa, bem como a estrutura que será adotada. 

Na seção 2, denominada “Panorama dos dados de Saúde”, são abordados os 

aspectos fundamentais dos dados clínicos de pacientes e discutida a importância 

desses dados desde o início do contato assistencial, abordando a necessidade de 

identificação correta da patologia e a escolha assertiva do tratamento. São 

mencionadas as informações contidas nos prontuários eletrônicos, incluindo dados de 

origem exclusiva dos pacientes e dados provenientes de contatos assistenciais. 

Destacam-se também na seção a extensão dos dados de saúde, e suas implicações 

no cuidado ao paciente, e explorado o conceito de interoperabilidade de dados de 

saúde, e sua importância na troca de informações entre diferentes sistemas. 

Apresentam-se os benefícios da interoperabilidade, como a troca de informações na 

gestão de consultórios, clínicas e hospitais, o compartilhamento seguro de dados do 

prontuário eletrônico do paciente e a disponibilização ágil de resultados de exames 

laboratoriais. São abordadas as atividades e recursos envolvidos no processo de 

interoperabilidade, como a heterogeneidade das fontes de dados e os modelos de 

troca de informação entre instituições de saúde. 

Na seção 3, intitulada “Interoperabilidade de dados de Saúde: Trabalhos 

Correlatos”, são apresentados estudos correlatos que abordam a integração de dados 

de saúde. Nessa seção, são mencionadas pesquisas consideradas relevantes, como 

o trabalho de Petry et al. (2008), que propõe um modelo de interoperabilidade 

utilizando o padrão HL7, e o estudo de Roehrs et al. (2018), que apresenta um modelo 

de integração de dados de saúde a partir de uma base de dados com registros 

médicos processados. Nesse sentido, também é referido o trabalho de Braunstein 

(2018), que discute os níveis de interoperabilidade desejados no contexto da saúde. 

Por fim, são destacados os principais resultados e limitações desses estudos. Ao final 

da seção são apresentadas as principais diferenças entre os trabalhos correlatos e o 

trabalho atual. 



22 
 

Na seção 4, denominada “Padrão FHIR”, é discorrida em maior detalhe o 

padrão FHIR, promovido pela HL7, e seu objetivo de determinar uma transferência 

representacional do estado para representar as entidades e procedimentos de saúde 

como recursos. Na seção, é discutido o papel dos recursos no FHIR e como eles 

definem a estrutura e o conteúdo de informações transmitidas entre sistemas. 

Menciona-se também a utilização de terminologias no FHIR, que vinculam os dados 

a vocabulários comuns, como SNOMED, Logical Observation Identifiers Names and 

Codes (LOINC) e International Classification of Diseases (ICD). Por fim, é destacado 

o impacto do uso do padrão FHIR na melhoria do acesso à informação e na qualidade 

do atendimento ao paciente. 

Na seção 5, denominada “Machine Learning na Área da Saúde”, é discutido o 

papel do Machine Learning, ou “aprendizado de máquina” na área da saúde. É 

abordada a necessidade de extração e normalização de dados a partir de documentos 

médicos, e como o ML pode auxiliar nesse processo, e explorado o uso de algoritmos 

de ML na categorização de informações em registros médicos e na conversão de 

dados não estruturados em dados estruturados. Nesta seção, são apresentadas 

aplicações do ML na medicina, como o diagnóstico é auxiliado por computador, a sua 

personalização de tratamentos médicos e os desafios e oportunidades do uso de ML 

na saúde. 

Na seção 6, intitulada “Dados de Alergia do Hospital Sírio Libanês: análise com 

Metadados de Negócio", é elucidada a aplicação prática de integração de dados e 

interoperabilidade no contexto do HSL. A seção apresenta a importância dos 

metadados no ambiente de negócios e como eles contribuíram para assegurar a 

informação correta. Esta inserção proporciona um estudo de caso real, que demonstra 

as teorias e práticas discutidas nas seções anteriores e evoca insights para a 

construção do modelo de interoperabilidade com FHIR. 

Na seção 7, denominada "FHIR-FLOW: Modelo de Mapeamento de Dados de 

Saúde para FHIR", é apresentado o FHIR-FLOW, um modelo de interoperabilidade 

cujo objetivo principal é abordar e solucionar os desafios de interoperabilidade de 

dados ao agir como uma ponte, transformando dados brutos e heterogêneos em 

informações padronizadas e prontas para interoperabilidade. A seção explora a 

concepção e funcionalidade do modelo, demonstrando como ele pode ser aplicado 

em diferentes contextos da saúde, além da prova de conceito com os dados do HSL.  



23 
 

2 PANORAMA DOS DADOS DE SAÚDE 
 

Os dados clínicos de pacientes são fundamentais desde o início do contato 

assistencial, a começar pela identificação correta da patologia, que possibilita a 

eleição adequada de tratamento, medicações e procedimentos. A escolha correta do 

tratamento pode não só diminuir o tempo de duração da patologia, como interferir 

diretamente na prevenção de óbitos, dado que “o erro de diagnóstico pode ser a maior 

preocupação de segurança do paciente não tratada nos Estados Unidos, responsável 

por cerca de 40.000 a 80.000 mortes anualmente”, como afirma Graber (2017, 1). 

A extensão dos dados de saúde contempla toda a abrangência de dados 

clínicos, desde informações de origem exclusiva dos pacientes, como tipo sanguíneo 

e etnia, até os dados provenientes de contatos assistenciais, como resultado de 

exames, anamneses, evoluções e receituários.  Para ajudar na etapa de identificação 

e monitoramento das patologias são utilizados resultados de exames, que subsidiam 

os profissionais nas tomadas de decisões de diagnósticos quanto nas evoluções 

posteriores, mediante a medicações e procedimentos. Atualmente, de acordo com 

Graber (2017), existem mais de 4.000 testes de laboratório selecionáveis, e um 

número comparativamente desconcertante de opções de imagem. 

Além dos dados puramente clínicos, informações geográficas desempenham 

um papel importante, especialmente, quando se trata de identificar fatores de 

natureza epidemiológica. Hung (2020) ressalta que a natureza detalhada dos dados 

do Sistema de Informação em Saúde, combinada à sua capacidade de se relacionar 

com outros dados geográficos, pode impulsionar pesquisas significativas, 

aprofundando a compreensão sobre a epidemiologia das doenças. 

Para proporcionar uma compreensão clara e detalhada das informações e 

suas inter-relações no contexto da saúde, é fundamental que ocorra a representação 

desses dados através de mapas conceituais. Essas ferramentas destacam-se na 

representação de conceitos clínicos e assistenciais, evidenciando a complexidade 

das inter-relações entre dados clínicos. Ademais, a inclusão de ontologias, que são 

usadas para estruturar e codificar adequadamente esses dados, é importante. 

Segundo Pickler (2007), as ontologias são essenciais na Web Semântica e 

desempenham um papel vital na representação do conhecimento e na 

contextualização dos dados, pois possibilitam realizar interpretação semântica das 

informações por máquinas e sistemas, facilitando a integração de dados entre 



24 
 

diferentes plataformas. No setor da saúde, sistemas como LOINC, ICD10 e 

SNOMED são exemplos da aplicação de ontologias para a codificação padronizada 

de dados.  

 

Figura 2 - Mapa conceitual do ambiente informacional de prontuário eletrônico  

 

Fonte: Adaptado de IQBAL et al., 2011.



25 
 

Na figura 2, pode-se observar um sistema de Registros Eletrônicos de Saúde 

(EHR, tradução livre), no qual como diversos componentes interagem de forma 

integrada. No coração deste sistema está o próprio EHR, que atua como um núcleo 

central armazenando e gerenciando informações essenciais de saúde.  

O EHR está intrinsecamente ligado a um banco de dados, onde armazena 

informações dos pacientes, incluindo seus prontuários, que, por sua vez, são uma 

compilação abrangente de dados do paciente, contendo receituários, exames, 

anamneses e evoluções. Ele é estruturado em dois aspectos principais: esquema 

estrutural, que define a arquitetura dos dados; e esquema semântico, que interpreta 

o significado desses dados. As instituições de saúde, cada uma com seu próprio 

sistema de EHR, são conectadas ao núcleo, refletindo a realidade de que os 

pacientes são atendidos em várias instituições, e, cada uma delas, contribui para o 

acervo de dados do paciente, cuja construção ocorre de forma distribuída, ao longo 

do tempo.  

Dentro do esquema semântico, há um papel que é desempenhado pelo 

vocabulário padronizado, que inclui terminologias como CID10, LOINC e SNOMED 

CT. Esses vocabulários são usados para representar exames, doenças e sintomas 

de maneira padronizada e garantir que os dados sejam compreensíveis e 

interoperáveis entre diferentes sistemas, facilitando a compreensão e o 

compartilhamento de informações. Além de que, parte dos dados nos prontuários, 

como receituários, anamneses e evoluções, são frequentemente não estruturados. 

Neste cenário, entra em atuação o processamento de linguagem natural, uma 

tecnologia que extrai informações significativas desses dados não estruturados, 

como sintomas e diagnósticos de doenças.  

A ontologia, outra camada neste sistema, representa exames, sintomas e 

doenças, auxilia na organização e na interpretação dos dados de saúde, e facilita a 

identificação de padrões e conexões, como a relação entre exames específicos e as 

doenças que eles ajudam a diagnosticar. Portanto, neste sistema de EHR, cada 

componente desempenha um papel importante na gestão dos registros de saúde, 

trabalhando em conjunto para assegurar que os dados de saúde sejam não apenas 

armazenados, mas também interpretados e utilizados de maneira que melhore o 

atendimento ao paciente e a eficiência das instituições de saúde. Em um cenário 

ideal, permitiria que os dados dos pacientes sejam compartilhados por diferentes 

instituições de saúde. 



26 
 

2.1 Interoperabilidade de Dados de Saúde 

 

Na área da saúde, a interoperabilidade vem crescendo para permitir a troca de 

dados entre os diferentes sistemas e ferramentas utilizadas, gerando mais 

informações valiosas no cuidado do paciente. Nesse sentido, Pine (2019, p. 1) 

complementa que: 

 

As pesquisas sobre interoperabilidade e troca de informações entre sistemas 
de tecnologia da informação destacam o uso de dados para uma variedade 
de propósitos, incluindo pesquisa, gestão, melhoria da qualidade e prestação 
de contas. 
 

Dentre os principais benefícios no setor da saúde, a interoperabilidade permite: 

• Trocar de informações na gestão de consultórios, clínicas e hospitais. Ela é 

especialmente útil para instituições que atuam em todos os níveis de atenção 

ao paciente, permitindo o rastreio clínico do indivíduo nos serviços utilizados; 

• Compartilhar dados do Prontuário Eletrônico do Paciente (PEP) com 

segurança, para aumento de evidências que subsidiam decisões clínicas; 

• Disponibilizar resultados de exames laboratoriais e de radiologia, 

proporcionando emitir e obter laudos com maior agilidade. 

A interoperabilidade no setor da saúde, baseada em um modelo abrangente, 

proporciona uma visão integral da saúde do paciente ao reunir, compartilhar e utilizar 

diferentes informações clínicas e administrativas. Este modelo aumenta a segurança 

e eficiência da assistência à saúde, facilitando a comunicação entre os profissionais 

envolvidos no cuidado do paciente. Isso reduz procedimentos e exames duplicados, 

o que não somente promove agilidade e transparência na troca de informações, mas 

também contribui significativamente para a otimização dos processos e a redução de 

custos no sistema de saúde. Entretanto, as atividades e recursos envolvidos no 

processo de interoperabilidade são complexos, devido a fatores como a própria 

heterogeneidade das diversas fontes de dados, que apresentam desde diferenças 

estruturais e semânticas até os modelos de troca de informação entre as instituições 

de saúde.  

As diferenças estruturais podem ser observadas no modo como os sistemas 

organizam e armazenam seus dados, como quantidade de tabelas, tipagem de dados 

e escolha por texto livre ou informações tabuladas. As diferenças semânticas podem 

ser percebidas desde a escolha de vocabulários adotados por cada instituição, que, 



27 
 

apesar de possuir essencialmente o mesmo significado, são identificados por códigos 

e descrições divergentes.  

Para que as instituições possam trocar informações de forma precisa e 

automática, os documentos clínicos eletrônicos devem fazer uso de códigos clínicos 

estabelecidos, também chamados de vocabulários controlados, como de SNOMED 

CT, LOINC e ICD-10. No entanto, não existe um esquema de codificação 

universalmente aceito que encapsula todas as informações clínicas, como afirma 

Hamm (2007). Atualmente, existem diversas propostas de soluções e caminhos a 

serem adotados, para realizar a interoperabilidade que se complementam, e para 

padrões trocar informações, como o TISS e o padrão FHIR.  

Mesmo considerando os desafios existentes, a adoção de interoperabilidade de 

dados de saúde é uma prática eficiente, pois traz às instituições a possibilidade de 

oferecer um tratamento mais eficiente ao paciente, ao mesmo tempo que otimiza a 

utilização de seus recursos, aumenta a eficiência nos processos, e reduz custos. Na 

próxima seção são apresentados trabalhos correlatos realizados no cenário de 

interoperabilidade de dados de saúde, com o intuito de expor suas principais 

características e desafios. 

 

  



28 
 

3 INTEROPERABILIDADE DE DADOS DE SAÚDE: TRABALHOS CORRELATOS 
 

Para a elaboração desta revisão de literatura, foram analisados diversos artigos 

científicos que abordaram a interoperabilidade de dados de saúde em sistemas de 

prontuários eletrônicos do paciente, com ênfase no uso do padrão.  

A seleção dos artigos foi baseada em critérios de relevância, priorizando 

pesquisas acadêmicas que investigaram o uso de técnicas contemporâneas de 

mapeamento semântico, Machine Learning e outras abordagens, visando a 

interoperabilidade dos dados de saúde nos prontuários eletrônicos. Cada artigo 

selecionado foi submetido a uma análise, considerando essas categorias, e suas 

respectivas implicações, para promoção da interoperabilidade de dados de saúde nos 

sistemas de prontuários eletrônicos, com foco especial na aplicação do padrão FHIR, 

como uma solução viável. 

O estudo de Petry et al. (2008) introduziu um modelo baseado no padrão HL7, 

projetado para um servidor de troca de mensagens, que envolve 77 municípios da 

Rede Catarinense de Telemedicina (RCTM). Esta abordagem resultou em reduções 

expressivas de custos e tempo de atualização, e ofereceu um reforço notável na 

segurança do Portal de Telemedicina. Contudo, a abordagem de mapeamento dos 

dados originais permaneceu obscura, não disponibilizados detalhes no estudo. 

Roehrs et al. (2018) apresentaram um modelo de integração de dados de saúde 

vindos de registros médicos de 38.645 pacientes adultos. Para tal, utilizaram padrões 

renomados, incluindo openEHR, HL7 FHIR e Medical Information Mart for Intensive 

Care (MIMIC-III). Um dos triunfos desse trabalho foi a implementação eficaz de 

técnicas de Inteligência Artificial (IA) e processamento de linguagem natural para 

impulsionar a interoperabilidade. No entanto, uma limitação saliente foi a 

concentração exclusiva em dados já padronizados, sem atenção a dados brutos ou 

não conformes. 

Enquanto Braunstein (2018) abordou os níveis de interoperabilidade desejados 

e discutiu as complexidades e desafios associados ao padrão anterior da HL7, 

valorizando o padrão FHIR como uma solução promissora e evidenciando sua adoção 

por instituições de grande envergadura, como Medicare e Veteran's Administration 

(VA). Porém, embora sua discussão tenha sido rica em insights, Braunstein (2018) 

não delineou um modelo ou fluxo específico para a adaptação de dados brutos ao 

padrão FHIR. 



29 
 

Chatterjee et al. (2022) focaram na problemática da heterogeneidade na 

armazenagem e troca de dados em sistemas de informação de saúde digital. Eles 

propuseram utilizar o padrão FHIR juntamente com o SNOMED CT, para conectar 

dados de saúde pessoais a prontuários eletrônicos de saúde e, como prova de 

conceito, desenvolveram o aplicativo de coaching de saúde, denominado como 

eCoach. A combinação eficaz de HL7 FHIR e vocabulários SNOMED CT, bem como 

a implementação de padrões de qualidade de interoperabilidade, foram pontos fortes 

destacados. Contudo, as técnicas empregadas ainda não foram testadas ou validadas 

em ambientes clínicos reais, com uma variedade mais ampla de dados e situações, o 

que sugere que a generalização para cenários de saúde mais complexos pode ser um 

desafio. 

Na pesquisa de Balch et al. (2023), exploraram a aplicação e potencial dos 

sistemas de informação clínica habilitados para Machine Learning o contexto da 

transformação da entrega e pesquisa em saúde. Sublinharam a crescente integração 

do padrão de dados Fast Healthcare Interoperability Resources nesses sistemas, 

apesar das variações em métodos de implementação. A pesquisa revelou avanços 

notáveis, como uso inovador de sistemas em nuvem, redes Bayesianas, estratégias 

de visualização, técnicas de conversão de dados não estruturados para FHIR. 

Entretanto, identificaram-se limitações significativas, como enfrentamento de barreiras 

de interoperabilidade, com prontuários eletrônicos de saúde em sistemas avançados 

e a presença de carência de evidências, externamente validadas quanto à sua eficácia 

clínica. 

Pimenta et al. (2023) investigaram a contínua problemática da 

interoperabilidade dos dados clínicos, mesmo diante dos avanços tecnológicos na 

área da saúde. Enfatizaram o padrão FHIR como uma ferramenta construída sobre 

padrões da web, destacando sua flexibilidade, facilidade de uso e implementação. A 

pesquisa teve como objetivo avaliar o potencial do FHIR, identificando componentes 

essenciais que podem otimizar a interoperabilidade e estabelecer uma conexão mais 

eficiente entre sistemas de saúde e fontes de dados clínicos. Ao adotar o FHIR, 

observou-se que os profissionais de saúde poderiam comunicar-se de maneira mais 

aprimorada. Embora o trabalho tenha abordado a promissora implementação do 

padrão FHIR para interoperabilidade de dados clínicos, ele baseou-se principalmente 

em uma revisão da literatura já existente, não tendo descobertas e conclusões 

validadas experimentalmente em ambientes práticos, o que limita a aplicabilidade 



30 
 

direta das recomendações em cenários clínicos reais. 

A seguir, na Tabela 1, constam os dados comparativos entre os trabalhos 

estudados: 

Tabela 1 – Dados comparativos entre trabalhos correlatos. 

Autor(es) e 
Ano 

Padrões 
Abordados 

Pontos Fortes Limitações Uso de IA? 

Petry et al. 
(2008) 

HL7 

Redução de custos 
e tempo, Segurança 

no Portal de 
Telemedicina 

Falta de detalhes 
sobre a abordagem de 

mapeamento dos 
dados originais para o 

padrão HL7 

Não 

Roehrs et 
al. (2018) 

openEHR, 
HL7 FHIR, 
MIMIC-III 

Uso eficaz de IA e 
NLP 

Concentração em 
dados já padronizados 

Sim 

Braunstein 
(2018) 

HL7, FHIR 
Valorização do 
padrão FHIR 

Não delineou modelo 
para adaptação de 

dados brutos ao FHIR 
Não 

Chatterjee 
et al. (2022) 

FHIR, 
SNOMED CT 

Combinação de HL7 
FHIR e SNOMED 

CT 

Não testado em 
ambientes clínicos 

reais 
Sim 

Balch et al. 
(2023) 

FHIR 

Uso de sistemas em 
nuvem, conversão 

de dados não 
estruturados para 

FHIR 

Barreiras de 
interoperabilidade com 
prontuários eletrônicos, 

falta de evidências 
validadas 

Sim 

Pimenta et 
al. (2023) 

FHIR 
Flexibilidade e 

facilidade do FHIR 

Baseado em revisão 
da literatura, sem 

validação experimental 
Não 

Trabalho 
Atual 

FHIR 

Uso de SNOMED 
CT e proposta de 

modelo generalista 
para mapeamento 
para padrão FHIR 

Restrição a SNOMED 
CT, e testado somente 
com dados de alergia 

Sim 

Fonte: Elaborado pelo autor. 

  



31 
 

4 PADRÃO FHIR 
 

O avanço da tecnologia da informação tem desempenhado um papel 

significativo na transformação dos sistemas de saúde, proporcionando melhorias na 

coleta, armazenamento e troca de informações médicas. No entanto, a 

interoperabilidade eficiente e segura dos dados de saúde continua sendo um desafio 

enfrentado pela indústria e pelos profissionais de saúde. 

Nesse contexto, o padrão FHIR, foi criado com objetivo de fornecer um conjunto 

de recursos e Application Programming Interface (APIs) baseadas em 

Representational State Transfer (REST), para facilitar o acesso e uso de dados de 

saúde do paciente, em um nível granular (Ayaz et al., 2021), e representar as 

entidades e procedimentos de saúde como recursos, como por exemplo, paciente, 

medicação, observação, e notas clínicas. A ideia central consiste em construir um 

conjunto básico de recursos que, isoladamente ou combinados, atende a muitos usos 

comuns casos (Stan; Miclea, 2018). A proposta do FHIR é oferecer uma abordagem 

atualizada para o compartilhamento de informações de saúde, superando as 

limitações dos padrões anteriores.  

Uma das principais vantagens do FHIR está em sua capacidade de fornecer 

uma camada semântica, permitindo associação dos dados de saúde às terminologias 

internacionais, como SNOMED, LOINC e ICD. Esse processo facilita a padronização 

e interoperabilidade dos dados, garantindo que as informações sejam compreendidas 

e interpretadas corretamente pelos sistemas de saúde. Além disso, o FHIR adota uma 

abordagem orientada a serviços, oferecendo funcionalidades como consultas, 

serviços de notificação e autenticação, que contribuem para a troca segura e eficiente 

de informações entre sistemas de saúde. 

 

4.1 Arquitetura Geral do FHIR 

   

A arquitetura do FHIR segue os princípios do estilo arquitetural REST, no qual 

é orientada em torno de recursos, que são a unidade central do FHIR. Esses recursos 

representam diversas entidades e conceitos na área da saúde, como pacientes, 

medicamentos, condições clínicas, agendamentos, procedimentos, entre outros 

(Saripalle et al., 2019). Cada recurso é definido em formatos de dados estruturados, 

como em Extensible Markup Language (XML), JavaScript Object Notation (JSON) ou 



32 
 

Resource Description Framework (RDF), e são acessíveis através de APIs baseadas 

em Hypertext Transfer Protocol (HTTP). Essa abordagem modular, que expõe 

entidades de dados de saúde, como serviços acessíveis via APIs baseadas em HTTP, 

diferencia o FHIR de outros padrões mais centrados em documentos, tendo a sua 

implementação facilitada pela flexibilidade na escolha do formato de representação de 

dados (Saripalle et al., 2019).  

Além dos recursos, a arquitetura do FHIR também incorpora perfis, que são 

definições adicionais e restrições usadas para adaptar os recursos aos contextos 

específicos de implementação. Esses perfis permitem a personalização e extensão 

dos recursos, garantindo a conformidade com requisitos e necessidades locais. 

 

Figura 3 – Visão de acesso aos recursos na arquitetura FHIR 

 

Fonte: Adaptada de HL7 FHIR, 2021. 

 

A Figura 3 representa o acesso aos recursos FHIR, que são considerados 

componentes essenciais dos dados de saúde. O quadrado maior representa esses 

recursos, como Observação, Relatórios, Paciente, Médico, entre outros. O quadrado 

"Acesso" simboliza a maneira pela qual os usuários e sistemas interagem com esses 

recursos, usando APIs baseadas em HTTP/REST. A figura visualiza a relação entre 

os recursos FHIR e o acesso a eles, destacando a importância do padrão FHIR na 

disponibilização dos dados de saúde e promovendo a interoperabilidade entre os 

sistemas. 

 



33 
 

4.2 Recursos FHIR 

O FHIR utiliza um componente central denominado Resource, que é essencial 

na definição da estrutura e conteúdo das informações trocadas entre diferentes 

sistemas de saúde. Um recurso, no FHIR, pode ser estruturado por meio de 

composição, o que significa que ele pode incluir referências a outros recursos dentro 

do sistema. 

Todos os recursos no FHIR apresentam uma forma comum de representação. 

Eles utilizam tipos de dados primitivos, como integer (número inteiro), string (cadeia 

de caracteres) e boolean (valor verdadeiro ou falso), para garantir a consistência na 

troca de informações. Além disso, estes recursos podem estar associados a outros 

tipos de recursos específicos, como Patient (Paciente), Visit (Visita) e Drug 

(Medicamento). 

Um aspecto importante dos recursos no FHIR é a inclusão de uma parte legível 

por humanos, chamada human-readable que consiste em uma narrativa livre, e 

permite que informações adicionais, que podem não ser facilmente representadas 

pelos tipos de dados primitivos, sejam incluídas, garantindo assim uma compreensão 

mais ampla do contexto e do conteúdo dos dados transmitidos. 

 

Figura 4 – Diagrama UML parcial do recurso FHIR Patient 

 

Fonte: Adaptada de HL7 FHIR, 2021. 

 

A Figura 4 apresenta um diagrama Unified Modeling Language (UML) 

representando o recurso Patient, baseada no recurso de mesmo nome do FHIR. O 

recurso inclui respectivamente atributos de identificador, status de atividade, nome, 

celular, data de nascimento, endereço e foto. 



34 
 

Outros componentes localizados na arquitetura FHIR são os ValueSets, que 

são usados para padronização e reutilização de dados em cenários clínicos. Os 

ValueSets definem um conjunto de valores aceitos para um cenário de saúde 

específico, agregando valor semântico aos dados e facilitando a interoperabilidade. 

Além dos ValueSets, o FHIR incorpora o componente Terminologies. Este 

componente é responsável por vincular dados clínicos às terminologias internacionais 

já estabelecidas, como SNOMED, LOINC, ICD-9 e ICD-10. Essa integração permite o 

reaproveitamento de vocabulários existentes e amplamente utilizados, e possibilita a 

realização de mapeamentos entre diferentes terminologias com base em evidências. 

Portanto, o FHIR, por meio dos ValueSets e do componente Terminologies, 

proporciona uma estrutura para a interoperabilidade de dados em saúde, permitindo 

a padronização de vocabulários e valores em cenários clínicos, além de facilitar a 

integração com terminologias internacionais, o que viabiliza a precisão na troca de 

informações de saúde. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



35 
 

Figura 5 – Mapa conceitual da arquitetura do padrão FHIR. 

 

 

Fonte: Adaptada de HL7 FHIR, 2021. 

 

Na Figura 5 pode-se observar a arquitetura geral do FHIR, que representa uma 

evolução do padrão HL7 e é considerado uma tentativa de melhorar a 

interoperabilidade no setor de saúde. Ao contrário do HL7, que é predominantemente 

sintático, o FHIR é tanto sintático quanto semântico, o que significa que ele aborda 



36 
 

não apenas a estrutura dos dados, mas também o seu significado. O FHIR é composto 

por Resources, que são conceitos discretos de dados. Estes Resources possuem um 

significado definido e incluem exemplos como Vocabulary Binding, Patient, Medication 

e Family History, que são recursos que, por sua vez, representam informações do 

contato assistencial.  

Para garantir flexibilidade e escalabilidade, o FHIR permite Extensions, que são 

artefatos que podem estender e personalizar os Resources. Os Profiles no FHIR são 

uma maneira de definir regras específicas e restrições para os Resources. Eles 

contêm Extensions do FHIR, atendem a diferentes cenários e possuem Value Sets 

definidos, que são conjuntos finitos de valores aceitos em um determinado dado.  

O Procedure Profile é um exemplo de um Profile, que abrange vários conceitos 

como Condition, Encounter, Practitioner, Reports e Patient. Há também Shared 

Profiles, que são projetados para promover a interoperabilidade, garantindo que os 

dados sejam trocados com o mesmo significado entre os sistemas, através de 

compartilhamento de definições FHIR entre instituições. O FHIR enfatiza a troca de 

dados com o mesmo significado, e, sendo Machine Readable, garante que as 

máquinas possam ler, interpretar e usar esses dados de forma eficiente. Dessa forma, 

o padrão FHIR representa uma evolução significativa na busca pela interoperabilidade 

no setor de saúde, abordando tanto aspectos sintáticos quanto semânticos dos dados 

e proporcionando flexibilidade através de Resources, Extensions e Profiles. 

 Neste capítulo destacou-se a importância do FHIR para a interoperabilidade na 

saúde. No entanto, a simples conexão entre sistemas representa somente uma parte 

do potencial. A análise profunda desses dados unificados, principalmente, os não 

estruturados, é uma demanda latente. No próximo capítulo, discute-se o papel do 

Machine Learning neste cenário. Com sua capacidade de lidar com grandes volumes 

de dados e extrair insights valiosos, pois ele potencializa a análise clínica e auxilia na 

própria questão da interoperabilidade, facilitando a conversão e integração de dados. 

  



37 
 

5 MACHINE LEARNING NA ÁREA DA SAÚDE 

Na medicina atual, a extração e normalização de dados, a partir de documentos 

médicos, são desafios significativos, especialmente em clínicas menores ou em 

regiões com transição lenta para sistemas digitais, devido às limitações financeiras, 

falta de treinamento ou infraestrutura tecnológica.  

Profissionais de saúde, frequentemente, dependem de registros médicos em 

papel, onde gerenciamento, recuperação e acesso são trabalhosos, lentos e 

propensos a erros. Essa ineficiência aumenta o risco de erros clínicos e impacta a 

qualidade do atendimento ao paciente. Além disso, a ausência de padrões unificados, 

para representação e armazenamento de dados de saúde, agrava os problemas de 

interoperabilidade, criando barreiras a comunicação eficiente entre diferentes 

sistemas, dispositivos e plataformas. 

Neste cenário, o Machine Learning surge como uma ferramenta 

transformadora, no qual é considerado um campo da Inteligência Artificial que envolve 

o desenvolvimento de algoritmos capazes de aprender e fazer previsões ou decisões 

baseadas em dados (Ghassemi et al., 2020). O ML permite que sistemas melhorem 

automaticamente sua performance com experiência, sem serem explicitamente 

programados para cada situação específica. Desta maneira, na saúde, o Machine 

Learning pode ser aplicado para melhorar a eficiência operacional em uma série de 

trabalhos, incluindo conversão de registros médicos em papel para formatos digitais. 

Algoritmos de ML, por exemplo, podem ser treinados para reconhecer padrões 

complexos em dados de saúde. Além disso ele também tem um papel útil na 

interoperabilidade entre sistemas de saúde, pois técnicas de processamento de 

linguagem natural, um subcampo do ML, podem extrair e organizar informações de 

diversas fontes de dados automaticamente. 

 

5.1 Potencial e aplicações 

A aplicação de Machine Learning na medicina tem gerado inovações 

significativas revolucionado a maneira como a saúde é abordada. Esta transformação 

é evidente na melhoria da qualidade e eficiência do cuidado ao paciente, 

especialmente devido ao fato de que os EHRs se tornaram uma fonte de dados 

extremamente rica, conforme destacado por Ghassemi et al. (2020).  

O ML, com sua capacidade de aprender e se adaptar continuamente a novos 

conjuntos de dados, mostra-se útil na extração e normalização de dados médicos 



38 
 

essenciais. Algoritmos de ML são capazes de ser treinados para reconhecer, 

categorizar e interpretar informações em registros médicos, que é um processo 

fundamental para a transformação de dados não estruturados em estruturados. Este 

processo está intimamente ligado à Ciência da Informação e desempenha um papel 

crucial na recuperação de informações. Além do mais, técnicas avançadas de 

processamento de linguagem natural permitem que modelos de ML interpretem textos 

escritos e transcrevam dados médicos em formatos normalizados, viabilizando a 

interoperabilidade entre diferentes sistemas de saúde e contribuindo para uma gestão 

mais eficiente dos registros, com uma prática médica mais informada e baseada em 

evidências.  

Essa eficiência e precisão na gestão de dados médicos, através do Machine 

Learning, abre caminho para uma compreensão mais profunda dos diferentes tipos de 

aprendizado de máquina e suas aplicações específicas na medicina e na Ciência da 

Informação. A Tabela 2 apresenta os principais tipos de Machine Learning e faz uma 

correlação com conceitos fundamentais da CI. 

Tabela 2 – Principais tipos de Machine Learning e sua correção com a CI 

Tipo de 
Aprendizado 

Explicação 
Correlação com a Ciência da 

Informação 

Aprendizado 
Supervisionado 

O algoritmo aprende a 
partir de exemplos 
rotulados. Ele recebe 
pares de entrada e saída e 
aprende a mapear um no 
outro. 

Corresponde ao conceito de "indexação" 
na Ciência da Informação. Assim como 
na indexação, o aprendizado 
supervisionado requer um conjunto de 
dados de treinamento bem definido e 
rotulado para que o algoritmo possa 
aprender e fazer previsões precisas. 

Aprendizado Não 
Supervisionado 

O algoritmo aprende a 
encontrar padrões e 
relações nos dados por 
conta própria. Não recebe 
saídas para as entradas. 

Relaciona-se ao conceito de 
"recuperação de informações" na CI. 
Assim como na recuperação de 
informações, o aprendizado não 
supervisionado analisa conjuntos de 
dados não rotulados para descobrir 
padrões e estruturas subjacentes. 

Aprendizado por 
Reforço 

O algoritmo aprende 
através de interações e 
feedback do ambiente. 
Recebe recompensas ou 
punições com base em 
suas ações. 

Correlaciona-se ao conceito de 
"feedback do usuário" na Ciência da 
Informação. Assim como o feedback do 
usuário é usado para ajustar e melhorar 
a precisão dos sistemas de recuperação 
de informações, o aprendizado por 
reforço ajusta seu comportamento com 
base no feedback para melhorar seu 
desempenho ao longo do tempo. 

Fonte: Adaptada de JANIESCH et al., 2021. 

 



39 
 

Neste cenário, os modelos de ML têm sido aplicados em várias áreas da 

medicina, desde diagnósticos auxiliados por computador até a criação de planos de 

tratamento personalizados. No diagnóstico auxiliado por computador, algoritmos de 

ML são usados para detectar padrões em imagens médicas que podem ser 

desafiadores para a identificação humana. Os modelos de ML têm sido utilizados para 

detectar tumores em imagens de ressonância magnética e para identificar doenças 

oculares em imagens de retina, conforme é destacado por Javaid et al. (2022).  

O ML também tem um papel útil na personalização de tratamentos médicos, 

pois algoritmos podem analisar dados de pacientes, incluindo histórico médico, 

resultados de exames laboratoriais e informações genômicas, para desenvolver 

planos de tratamento personalizados.  O uso do ML pode aumentar a eficácia do 

tratamento, reduzindo efeitos colaterais e melhorando a qualidade de vida dos 

pacientes (Javaid et al., 2022). 

A seguir, são destacados os principais pilares da aplicação de ML na área da 

saúde, que variam desde a prevenção e preparação para surtos de doenças até o 

aprimoramento de tratamentos e diagnósticos médicos. Segundo Janiesch et al. 

(2021), esses pilares incluem: 

● Previsão de Surto: utilização de algoritmos para se antecipar e preparar para 

surtos de doenças, maximizando a prontidão e a resposta. 

● Descoberta e Fabricação de Medicamentos: aceleração da identificação de 

compostos terapêuticos e otimização dos processos de fabricação. 

● Modificação Comportamental: uso de dados e análises para incentivar 

comportamentos saudáveis e mudanças de estilo de vida. 

● Registros de Saúde Inteligentes: aprimoramento a gestão e análise dos 

prontuários eletrônicos para extração de insights clínicos. 

● Coleta de Dados Colaborativa: potencializa a coleta de informações de 

múltiplas fontes, tornando a pesquisa e o diagnóstico mais abrangentes. 

● Melhor Radioterapia: otimiza tratamentos de radioterapia para maior eficácia e 

minimização de efeitos colaterais. 

● Diagnóstico de Imagens Médicas: melhora a precisão do diagnóstico por meio 

da análise automatizada de imagens, como raios-X e ressonância magnética. 

● Clínica e Pesquisa: facilita a investigação clínica e a pesquisa médica, através 

da análise de grandes conjuntos de dados. 

 



40 
 

Esta representação visual destaca o potencial do Machine Learning na 

transformação e avanço do setor de saúde, abrangendo desde a prevenção até a 

intervenção terapêutica. 

Por fim, no contexto de interoperabilidade de dados, o uso de ML na medicina 

também oferece oportunidades para melhorar o acesso à informação e a qualidade 

do atendimento ao paciente. A aplicação de técnicas de ML, como proposto por Bouh, 

Hossain e Ahmed (2023), permite extrair e padronizar dados médicos de documentos 

digitalizados de acordo com os padrões FHIR. Nesse sentido, ele não apenas 

aprimora a eficiência dos dados de saúde, mas também contribui para a 

interoperabilidade deles, viabilizando a troca e aplicação de informações em 

diferentes sistemas. 

 

5.2 Processamento de Linguagem Natural 

 

Dentro da Ciência da Informação, o Processamento de Linguagem Natural é 

uma área interdisciplinar que integra conhecimentos da Ciência da Computação, 

Inteligência Artificial e Linguística. Segundo Caseli et al. (2022), o PLN é essencial 

para a CI, fornecendo métodos e ferramentas para compreender, interpretar e gerar 

linguagem humana. Esta área é fundamental para aprimorar a interação entre 

computadores e usuários, tornando-a mais natural e intuitiva.  

O PLN utiliza algoritmos e modelos matemáticos para analisar a estrutura e o 

significado da linguagem. Inicialmente, emprega-se modelos estatísticos e de 

aprendizado profundo para identificar padrões linguísticos. Posteriormente, técnicas 

de análise sintática e semântica são aplicadas para examinar a gramática e o 

significado das palavras e frases. O objetivo final do PLN é superar a barreira entre a 

linguagem natural humana e a linguagem de máquina, permitindo o desenvolvimento 

de sistemas que processam a linguagem natural de maneira eficaz e intuitiva. 

Após a etapa inicial de compreensão dos padrões linguísticos, o PLN conforme 

descrito por Caseli et al. (2022), avança para a análise léxica. Essa fase consiste em 

decompor o texto em unidades menores, como palavras ou termos, denominados 

como tokens. A análise léxica é essencial para identificar e isolar os elementos básicos 

da linguagem, e uma vez realizada a tokenização, segue-se para análise sintática. 

Esta etapa envolve determinar as funções gramaticais dos tokens, permitindo a 

construção de árvores sintáticas, que ilustram a estrutura gramatical das frases. Estes 



41 
 

processos são importantes para converter a linguagem natural em um formato 

estruturado, acessível para o processamento por máquinas.  

Após a análise sintática, o PLN avança para análise semântica. Esta fase tem 

como objetivo entender o significado das palavras e sentenças, que é alcançado ao 

mapear palavras e frases às entidades em um domínio específico, dessa forma, 

solucionando ambiguidades de sentido e assegurando uma interpretação precisa do 

texto. A análise semântica é, portanto, um passo fundamental para garantir que a 

máquina não apenas entenda a estrutura da linguagem, mas também seu conteúdo e 

nuances. 

Métodos como a Extração de Entidades Nomeadas (NER) e a Análise de 

Sentimento são exemplos de como o PLN utiliza técnicas avançadas, para identificar 

e classificar informações em textos. Oliveira et al. (2022) destacam o uso de 

representações vetoriais, como embeddings de palavras, que são fundamentais no 

PLN. Esses embeddings são transformações de palavras em vetores numéricos em 

espaços de alta dimensionalidade, permitindo a captura de relações semânticas e 

sintáticas. Neste espaço vetorial, palavras semanticamente similares são 

posicionadas próximas umas das outras, facilitando identificação de sinônimos, 

antônimos e outras relações semânticas. Esta técnica é essencial para modelos de 

linguagem avançados como o Bidirecional Encoder Representations from 

Transformers (BERT), que aprendem nuances contextuais e semânticas da 

linguagem. 

Na Ciência da Informação, os embeddings de palavras criam uma ponte entre 

informações textuais não estruturadas e estruturas de dados quantitativas e analíticas. 

Esta conversão de palavras e frases em representações numéricas torna possível a 

organização, recuperação e análise de dados textuais de forma eficiente, promovendo 

a descoberta de conhecimento e a extração de insights, a partir de grandes volumes 

de texto. 

Nesse sentido, Patel et al. (2021) ressaltam a utilidade do PLN na saúde, 

especialmente, na transformação digital de registros médicos. O PLN facilita a 

estruturação de dados não estruturados em formatos interoperáveis, melhorando a 

troca de informações entre diferentes sistemas de saúde. Esta combinação 

tecnológica, principalmente, quando combinada com padrões de interoperabilidade 

como FHIR, é útil para construir sistemas de saúde integrados e coesos, pois atesta 

a compatibilidade semântica, garantindo que o significado das informações seja 



42 
 

uniformemente compreendido em sistemas diferentes. A aplicação do PLN em 

desafios de interoperabilidade na saúde impulsiona a pesquisa clínica, revela 

inovações e direcionamentos para futuras pesquisas, contribuindo para a extração de 

conhecimento de dados brutos em informações que podem ser utilizadas.  

Considerando a relevância do PLN na transformação digital dos registros 

médicos e sua integração com padrões de interoperabilidade como FHIR, a próxima 

seção da dissertação se volta para a exploração detalhada do BERT, como uma das 

tecnologias de PLN mais avançadas atualmente. 

 

5.3 Modelos de Aprendizado de Máquina em PLN: BERT 

 

A Ciência da Informação sempre buscou métodos mais eficientes para 

organizar, recuperar e interpretar dados. Com o avanço tecnológico e a ascensão do 

aprendizado profundo, houve uma revolução significativa na maneira de extrair 

informações de grandes conjuntos de dados, especialmente, com a introdução do 

modelo BERT, pelo Google em 2018. Este modelo trouxe uma abordagem inovadora 

ao campo do PLN.  

Diferentemente dos modelos anteriores, que compreendiam palavras e frases 

de maneira unidirecional, seja da esquerda para a direita ou vice-versa, o BERT se 

destacou por sua habilidade de entender o contexto bidirecional das palavras em um 

texto, o que significa que ele considera palavras que vêm antes e depois da palavra 

alvo. Essa profunda compreensão contextual foi possível graças ao treinamento do 

BERT, que utiliza técnicas como a previsão de palavras ocultas e a compreensão de 

sentenças.  

Durante o treinamento, algumas palavras são intencionalmente ocultadas, e o 

modelo tenta prevê-las com base no contexto das palavras circundantes. Esta 

capacidade avançada de compreensão contextual do BERT tem implicações diretas 

para a Ciência da Informação. Ao melhorar a representação semântica dos dados, ele 

permite uma organização e recuperação mais eficientes da informação, pois a CI se 

preocupa essencialmente com organização, recuperação, acessibilidade e 

interpretação dos dados.  

Portanto, modelos como o BERT, que se alinham intimamente com estes 

objetivos, tornam-se ferramentas essenciais para avançar nesta área. A relevância de 

deste tipo de modelos na interpretação de textos complexos é reforçada pela 



43 
 

abordagem de Padovani (2022). A aplicação inovadora do BERT tem implicações 

diretas para a área da saúde, um setor que lida constantemente com grandes volumes 

de dados textuais complexos e, muitas vezes, não estruturados. Na saúde, a 

capacidade do BERT de compreender contextos bidirecionais e interpretar 

semanticamente os textos pode auxiliar na forma como os registros médicos 

eletrônicos são processados e analisados. Além disso, a habilidade do BERT em lidar 

com ambiguidade e nuances linguísticas, em registros médicos, contribui para uma 

maior precisão no diagnóstico, tratamento e pesquisa clínica, fortalecendo a 

interoperabilidade dos dados de saúde. 

A Figura 6 retrata as etapas estabelecidas no modelo BERT. 

 

Figura 6 – Etapas do modelo BERT. 

 

Fonte: Adaptado de HUGGING FACE, 2024. 

 

Na Figura 6 pode ser observado o fluxo de funcionamento do modelo BERT, 

com etapas que são divididas em (Hugging Face, 2024): 

● Input Text: o texto de entrada é fornecido ao modelo. Assim como em sistemas 

de recuperação de informação, onde os dados são inseridos para serem 

processados e consultados, o texto de entrada serve como "consulta" inicial 

para o modelo BERT. 

● Tokenização: o texto é dividido em tokens (palavras ou subpalavras) para ser 

processado pelo modelo. A tokenização pode ser comparada ao processo de 

indexação em bibliotecas e bancos de dados, onde informações são 

categorizadas e organizadas para facilitar a recuperação. 



44 
 

● Embeddings: cada token é convertido em um vetor de embeddings, 

caracterizado como uma representação numérica do token. Os embeddings 

são semelhantes aos metadados ou descritores, em registros de informação, 

fornecendo uma representação condensada e contextualizada do conteúdo 

original. 

● Camadas de Atenção: estas camadas permitem que o modelo preste atenção 

a diferentes partes do texto de entrada e compreenda o contexto em que cada 

palavra ou token está inserido. Pode ser comparado ao processo de análise de 

relevância em sistemas de recuperação de informação, onde certas 

informações são priorizadas com base em sua relevância e contexto. 

● Camadas Feed-forward: estas são camadas neurais tradicionais, que 

processam a informação após as camadas de atenção. Esse processo é 

semelhante à filtração e organização de informações em sistemas de 

gerenciamento de informação, onde os dados são processados e organizados 

em uma forma mais utilizável. 

● Output – Representação Vetorial: o modelo BERT fornece uma representação 

vetorial do texto de entrada, que pode ser usada para várias tarefas. A 

representação vetorial pode ser vista como um resumo ou abstração do 

conteúdo original, semelhante a um registro bibliográfico que fornece uma visão 

geral do conteúdo de um documento. 

 

O funcionamento do BERT pode ser visto como um sistema avançado de 

processamento e recuperação de informação, onde o texto é analisado, 

contextualizado e transformado em uma representação que pode ser usada para 

diversas tarefas de processamento de linguagem natural, refletindo muitos dos 

princípios fundamentais da ciência da informação. Essa compreensão serve como 

base para a próxima seção, que se aprofundará nos Modelos de Linguagem Grande 

(LLM). Os LLM representam uma evolução natural e uma expansão das capacidades 

ilustradas pelo BERT, oferecendo um processamento de linguagem ainda mais 

sofisticado e abrangente 

 

 

 



45 
 

5.4 Modelos de Linguagem Grande (LLMs) 

 

 Modelos de Linguagem Grande representam uma inovação significativa no 

campo do aprendizado de máquina. Esses modelos, que evoluíram rapidamente de 

um conceito inexistente para uma presença quase onipresente, são centrais para a 

compreensão e geração de linguagem natural. O desenvolvimento dos LLMs está 

intimamente ligado aos desafios de manipulação e análise de grandes conjuntos de 

dados, um aspecto essencial na Ciência da Informação. Estes modelos processam 

extensas quantidades de dados de texto, refletindo a necessidade de métodos 

eficientes de classificação, armazenamento e recuperação de informações, que são 

fundamentais na análise de dados (Kaddour et al., 2023). 

As aplicações dos LLMs estendem-se por uma ampla gama de campos, desde 

chatbots até biologia computacional, programação de computadores, trabalho criativo, 

direito e medicina. Em cada uma dessas áreas, os LLMs oferecem novas maneiras de 

lidar com informações complexas, facilitando a análise, interpretação e geração de 

conteúdo. Na Ciência da Informação, especificamente, os LLMs podem revolucionar 

a maneira como o ser humano lida com a explosão de dados na era digital, fornecendo 

ferramentas avançadas para análise de grandes conjuntos de dados de texto, 

identificação de padrões e tendências, e extração de informação. Por exemplo, na 

área de direito, os LLMs podem ajudar na análise e elaboração de documentos legais, 

refletindo a interseção entre tecnologia de processamento de linguagem natural e 

necessidade de gerenciamento eficiente de informações jurídicas (Kaddour et al., 

2023). 

 Especificamente na área da saúde, os LLMs estão revolucionando as práticas 

conhecidas e oferecendo novas possibilidades para o suporte à decisão clínica e à 

educação médica. Com a capacidade de processar e analisar vastas quantidades de 

dados médicos e científicos, os LLMs podem auxiliar profissionais de saúde na 

identificação de diagnósticos, tratamentos e na compreensão de complexidades 

médicas, com uma precisão notável, conforme destaca Singhal et al. (2023). 

Singhal et al. (2023) apontam, em seu trabalho, testes com um modelo 

avançado de LLM, no qual atingiu um desempenho superior em 17% em relação aos 

testes anteriores, em questionários de estilo do exame de licença médica dos EUA. 

Isso ilustra o potencial dos LLMs em interpretar e responder as questões médicas 

complexas, abrindo caminhos para uma assistência ao paciente mais informada e 



46 
 

eficaz. Para além disso, os LLMs podem desempenhar um papel crucial na educação 

médica, fornecendo aos estudantes um recurso interativo para aprender e praticar 

habilidades diagnósticas e de tratamento. Essa integração de inteligência artificial na 

medicina pode não apenas melhorar a qualidade do atendimento ao paciente, mas 

também enriquecer o processo de aprendizado dos profissionais de saúde. 

Portanto, os LLMs representam um avanço tecnológico significativo no campo 

do aprendizado de máquina e oferecem inúmeras aplicações práticas, que se 

entrelaçam com os princípios fundamentais da Ciência da Informação. Eles destacam 

a crescente interconexão entre a tecnologia de processamento de linguagem e as 

necessidades de gestão, análise e disseminação de informações em diversos campos 

(Kaddour et al., 2023). 

 

5.4.1 Modelo GPT3.5-Turbo 

 

 Após examinar a evolução geral dos Modelos de Linguagem Grande (LLMs), 

na subseção anterior, nesta subseção são destacadas características de um modelo 

específico: GPT-3.5-Turbo. Este é um modelo avançado de linguagem natural 

desenvolvido pela OpenAI, representando a mais recente evolução nos LLMs 

(OpenAI, 2023). Ele é caracterizado por sua capacidade de processar uma série de 

mensagens como entrada, ao contrário das versões anteriores que se limitavam a um 

único prompt de texto. Essa funcionalidade permite uma maior contextualização nas 

interações, integrando tanto o contexto fornecido quanto as respostas anteriores. O 

GPT-3.5-Turbo é útil por seu desempenho aprimorado e custo reduzido em 

comparação ao modelo GPT-3, tornando-o uma escolha eficiente e versátil para uma 

ampla gama de aplicações, desde chatbots até sistemas complexos em campos como 

medicina, em específico, como no caso da utilização na camada proposta. 

Em termos de desempenho e custo, o GPT-3.5-Turbo se destaca por oferecer 

uma eficiência aprimorada, sendo 10 vezes mais econômico por token em 

comparação com seu antecessor, GPT-3 (OpenAI, 2023). Esta melhoria não 

compromete a qualidade; pelo contrário, ela amplia as possibilidades de uso em uma 

variedade de aplicações, mantendo a adaptabilidade e a precisão, características dos 

LLMs. A implementação do GPT-3.5-Turbo segue um processo simples e direto, 

adaptável a diferentes linguagens de programação. Esta flexibilidade facilita a 



47 
 

integração do modelo em sistemas existentes. Na Tabela 3, apresenta-se exemplo de 

prompt de chamada para GPT-3.5-Turbo. 

 

Tabela 3 – Exemplo de prompt de chamada para GPT-3.5-Turbo. 

Prompt Resultado 
Tempo de 
execução 

Dada a seguinte série de sentenças: 
 
“O paciente João da Silva tem 30 anos.” 
 
Analise as sentenças acima e identifique 
qual recurso FHIR mais provável em cada 
uma delas. 
 
Assuma o recurso mais provável para cada 
sentença e, em seguida, crie uma 
visualização JSON, sem nenhum tipo de 
comentário adicional. 

{ 
  "resourceType": "Patient", 
  "name": [ 
    { 
      "given": [ 
        "João" 
      ], 
      "family": "Silva" 
    } 
  ], 
  "birthDate": "1994-01-07", 
  "age": { 
    "value": 30, 
    "unit": "anos", 
    "system": "http://unitsofmeasure.org" 
  } 
} 

3 segundos 

Dada a seguinte série de sentenças: 
 
“Paciente allan, 30 anos, tomou dipirona.” 
 
Analise as sentenças acima e identifique 
qual o recurso FHIR mais provável em 
cada uma delas. 
 
Assuma o recurso mais provável para cada 
sentença e, em seguida, crie uma 
visualização JSON, sem nenhum tipo de 
comentário adicional 

{ 
    "resourceType": "Patient", 
    "identifier": [ 
      { 
        "use": "usual", 
        "type": { 
          "coding": [ 
            { 
              "system": 
"http://terminology.hl7.org/CodeSystem/v2-
0203", 
              "code": "MR" 
            } 
          ] 
        }, 
        "system": "urn:oid:1.2.36.146.595.217.0.1", 
        "value": "12345" 
      } 
    ], 
    "active": true, 
    "name": [ 
      { 
        "use": "official", 
        "family": "allan", 
        "given": ["allan"] 
      } 
    ], 
    "gender": "male", 
    "birthDate": "1991-01-01" 
  }, 
  { 
    "resourceType": "MedicationAdministration", 
    "medicationReference": { 
      "display": "dipirona" 
    }, 
    "subject": { 
      "reference": "Patient/example" 
    } 
  } 
] 

6 segundos 

Fonte: Elaborado pelo autor. 

 

A Tabela 3 exemplifica o uso do GPT3.5-Turbo via prompt manual e sua 

performance de resposta medida em segundos. É necessário destacar que o mesmo 

tipo de uso pode ser feito com chamadas via API. 

 



48 
 

5.5 Desafios na Integração de ML e Saúde 

 

No campo da Ciência da Informação, a combinação do Machine Learning com 

padrões de interoperabilidade, como FHIR, tem o potencial de revolucionar o modo 

como os dados médicos são gerenciados e utilizados. Essa combinação pode não 

apenas simplificar a construção de arquiteturas de sistemas robustos, mas também 

otimizar o armazenamento, compartilhamento e acesso à informação médica, 

garantindo que informações críticas estejam disponíveis quando e onde forem 

necessárias. No entanto, à medida em que se avança nessa integração, surgem uma 

série de desafios, como por exemplo, o PLN é frequentemente empregado para extrair 

informações de textos médicos, mas pode enfrentar dificuldades ao lidar com jargões 

e contextos médicos especializados, especialmente, quando se considera a 

diversidade e complexidade das linguagens e terminologias médicas.  

Outro desafio significativo reside na necessidade de vastos conjuntos de dados 

rotulados para treinar modelos de ML com precisão aceitável. Em ambientes de 

saúde, onde privacidade e confidencialidade dos dados dos pacientes são primordiais, 

coletar e utilizar esses conjuntos de dados pode ser problemático. A preocupação com 

a ética da informação, a governança de dados e o consentimento informado dos 

pacientes são temas centrais na Ciência da Informação e tornam-se ainda mais 

pertinentes nesse contexto. Para avançar com eficácia e segurança, é necessário 

abordar esses desafios de forma mais ampla, considerando tanto as capacidades 

técnicas quanto às implicações éticas e organizacionais (Bouh; Hossain; Ahmed, 

2023). 

A seguir, a Figura 7 serve como uma ferramenta visual para consolidar e 

representar de forma estruturada os principais pontos abordados nesta seção sobre 

"Machine Learning na área da Saúde". Ao visualizar este diagrama, é possível 

compreender as conexões entre os diferentes tópicos, facilitando assimilação e 

revisão dos conceitos discutidos.  

 

 

 

 

 

 



49 
 

Figura 7 – Machine Learning na área da saúde. 

 

Fonte: Adaptado de Ghassemi et al., 2020. 

 

A Figura 7 mostra os benefícios e desafios associados ao uso da aprendizagem 

de máquina na saúde, no qual, entre os benefícios, se destaca automatização de 

tarefas clínicas, que permite aos profissionais de saúde se afastarem de atividades 

repetitivas e demoradas, como a entrada de dados, aumentando a eficiência e focando 

mais em tarefas complexas e no atendimento ao paciente.  

O Machine Learning também oferece suporte à tomada de decisão clínica, 

analisando grandes volumes de dados para fornecer diagnósticos mais precisos, 

prever resultados de tratamentos e identificar riscos de saúde. Além disso, também 

expande as capacidades clínicas ao descobrir novas correlações em dados de saúde, 

o que pode levar a avanços no entendimento de doenças e no desenvolvimento de 

novos tratamentos.  

Outro benefício importante exibido é a melhoria na personalização do 

atendimento ao paciente, onde a análise de dados, em grande escala, permite 

tratamentos e recomendações mais ajustados às necessidades individuais. A precisão 

diagnóstica é aprimorada pelo Machine Learning, que analisa padrões complexos nos 

dados dos pacientes que podem ser difíceis de detectar manualmente. Do ponto de 

vista operacional, a implementação dessa tecnologia aumenta a eficiência, reduzindo 

custos e melhorando a gestão de recursos. No entanto, a Figura 7 também destaca 

os desafios associados ao uso do Machine Learning na área da saúde. Um dos 

principais obstáculos está na interpretabilidade dos modelos, considerado importante 



50 
 

para que os profissionais de saúde possam entender e confiar nas recomendações 

geradas. A qualidade e a integridade dos dados são fundamentais, pois dados 

imprecisos, incompletos ou enviesados podem levar a resultados inadequados ou 

prejudiciais. 

Além disso, a integração de soluções de Machine Learning em sistemas de 

saúde existentes pode ser complexa, especialmente, devido às infraestruturas 

tecnológicas não interoperáveis. Portanto, embora o Machine Learning ofereça um 

potencial transformador para a saúde, é essencial abordar esses desafios para 

maximizar seus benefícios e minimizar riscos em potenciais. 

Tendo estabelecido a relevância e o potencial do ML na área da saúde, a 

próxima seção se aprofunda em uma aplicação específica: a análise de dados de 

alergia do Hospital Sírio Libanês. A utilização de metadados de negócio se torna útil 

para garantir que os dados sejam interpretados corretamente e que as análises sejam 

precisas e forneçam contexto e significado, permitindo que os algoritmos de ML e os 

profissionais de saúde compreendam e usem os dados de forma mais eficaz e, dessa 

forma, consigam validar os modelos. Assim, é explorada como a combinação de 

metadados de negócio e técnicas avançadas de análise pode melhorar a qualidade e 

a precisão das decisões clínicas, e auxiliar na futura construção de modelos de ML.  



51 
 

6 DADOS DE ALERGIA DO HOSPITAL SÍRIO LIBANÊS: ANÁLISE COM 

METADADOS DE NEGÓCIO 

 

Na área da saúde, a informação é uma ferramenta fundamental para a tomada 

de decisões clínicas, assertivas e seguras. Dentre as diversas categorias de 

informações médicas, os dados de alergia destacam-se como um dos elementos mais 

críticos, pois, conhecer as alergias de um paciente, não é apenas uma questão de 

precaução, mas uma necessidade essencial para evitar complicações que podem ser 

fatais. A reação adversa a medicamentos, alimentos ou substâncias pode variar de 

sintomas leves às reações anafiláticas graves, o que torna muito importante a correta 

identificação e registro dessas alergias.  

A obtenção dos dados de alergia utilizados nesta dissertação deu-se por meio 

da execução de um projeto de pesquisa multidisciplinar, que inclui especialistas 

médicos e profissionais da computação. Este grupo de pesquisa é parte da parceria 

entre o Hospital Sírio Libanês e a empresa SOFYA, uma startup que tem como 

objetivo desenvolver soluções aplicadas na área da saúde. A SOFYA, conhecida por 

sua expertise em soluções de tecnologia da informação voltadas para a saúde, 

forneceu as ferramentas e o suporte necessários para a análise detalhada dos dados 

de alergia. Os profissionais do Hospital Sírio Libanês, por sua vez, contribuíram com 

sua profunda experiência clínica e conhecimento, validando dados e observações 

realizadas no domínio de alergias e suas reações adversas. Estes resultados serão 

publicados como parte do projeto de pesquisa que está em andamento no Instituto de 

Ensino e Pesquisa do Hospital Sírio Libanês. 

 

6.1 Importância de dados de alergia 

  

No contexto da saúde, a importância dos dados de alergia, tanto alimentares 

quanto medicações, é fundamental para a segurança e eficácia do atendimento ao 

paciente. De acordo com De la Cruz et al. (2018), as alergias alimentares apresentam 

um desafio significativo na saúde pública, afetando aproximadamente 1-3% dos 

adultos e 4-7% das crianças. O controle de alérgenos em alimentos é essencial, 

especialmente, diante da variabilidade individual na sensibilidade aos alérgenos, onde 

quantidades mínimas podem ser perigosas para indivíduos altamente sensíveis.  



52 
 

A necessidade de métodos sensíveis e confiáveis para detectar alérgenos em 

alimentos é importante, dada a ausência de um consenso sobre a concentração 

mínima de alérgenos capaz de desencadear reações alérgicas. As reações alérgicas 

podem variar de sintomas leves, como urticária e desconforto gastrointestinal, a 

reações graves, como anafilaxia, que requer intervenção médica imediata. 

Reações alérgicas ocorrem quando o sistema imunológico do corpo reage de 

forma exagerada a uma substância estranha (alérgeno), como certos alimentos, pólen 

ou medicamentos. Essas reações podem variar amplamente em gravidade, desde 

sintomas leves, como erupções cutâneas e coceira, até condições potencialmente 

fatais, como anafilaxia, considerada uma reação alérgica grave e rápida, que pode 

afetar mais de um sistema do corpo ao mesmo tempo e requer tratamento médico 

imediato. É importante diferenciar entre alergia e reações alérgicas, pois a alergia é 

uma sensibilidade anormal a uma substância que é inofensiva para a maioria das 

pessoas, que, quando expostas ao alérgeno, desenvolvem uma reação alérgica como 

resposta. Esta distinção é fundamental para diagnóstico e tratamento adequados. Por 

exemplo, enquanto algumas pessoas podem ter uma alergia confirmada a um 

medicamento específico, outras podem experimentar reações adversas que não são 

mediadas pelo sistema imunológico e, portanto, não são consideradas alérgicas. 

Além disso, é essencial também a capacidade de identificação de falsos 

positivos. Como exemplo do problema, observa-se, no estudo de Fransson et al. 

(2017), que uma parcela significativa de pacientes investigados por suspeita de alergia 

a medicamentos, na realidade, não apresenta alergias verdadeiras. Na pesquisa, 

apenas 11% dos testes resultaram em reações positivas, indicando que uma grande 

maioria dos pacientes suspeitos de ter alergias a medicamentos pode, de fato, tolerá-

los sem riscos.  

Esta observação é reforçada pelos achados de Foreman et al. (2020), que 

examinaram 43.011 registros únicos em um EHR, encontrando que 44.5% dos 

pacientes tinham entradas no módulo de "alergias". Foi constatado que 86.5% dessas 

reações foram categorizadas como alergias e 13.5% como intolerâncias. Esse estudo 

também revelou que 27.4% das reações documentadas utilizaram descrições em 

texto livre, indicando uma preferência por descrições personalizadas. Apenas 45.1% 

das reações consistentes com intolerância foram corretamente categorizadas como 

tal, ressaltando a complexidade e os desafios na documentação e categorização de 

reações adversas. 



53 
 

Portanto, é essencial a importância de abordagens detalhadas e cuidadosas no 

diagnóstico de alergias, seja alimentar ou aos medicamentos, na saúde. A gestão 

eficaz de alérgenos e a correta documentação e categorização de reações adversas 

são fundamentais para reduzir riscos e melhorar a qualidade do cuidado ao paciente. 

Estas abordagens são essenciais para o desenvolvimento de políticas de saúde 

pública e práticas clínicas, que visam a segurança do paciente e a prevenção de 

reações alérgicas adversas. A discussão sobre a precisão no diagnóstico de alergias, 

embasada pelos estudos de De la Cruz et al. (2018) e Foreman et al. (2020), destaca 

a importância da gestão eficiente de informações médicas. A próxima seção introduz 

a Arquitetura da Informação como uma ferramenta importante para esta finalidade, 

pois facilita entendimento, organização e estruturação de dados de saúde, através de 

mapeamento de metadados de negócio, para garantir que diagnósticos corretos sejam 

acessíveis em diferentes sistemas de saúde. 

 

6.2 Aplicação de metodologia de arquitetura da informação 

 

A aplicação de metodologia de AI tem se mostrado uma importante ferramenta 

para a representação, organização e acesso a informações em diversas áreas do 

conhecimento, incluindo a saúde, administração e sistemas legislativos. A AI permite 

a estruturação e modelagem da informação, de forma clara e padronizada, 

possibilitando o compartilhamento e a recuperação de informações entre diferentes 

sistemas e organizações.  

No trabalho de Brandt (2020), onde é abordada a importância do acesso à 

informação legislativa e à representação inadequada das informações nos sistemas 

da Câmara dos Deputados como um problema, apresenta-se uma metodologia de 

Arquitetura da Informação, proposta dividida em duas partes: elaboração da 

metodologia e aplicação no processo legislativo brasileiro da Câmara dos Deputados, 

através de mapeamento e endereçamento de metadados de negócio.  

A escolha para referência deste trabalho se dá por conta de um dos artefatos 

apresentados, denominado como matriz de metadados, em que concentra as 

informações centrais necessárias para os processos de trabalho, sendo o principal 

entregável, pois auxilia no gerenciamento das informações, no processo de 

desenvolvimento de sistemas e na implementação de soluções tecnológicas. Essa 



54 
 

matriz reúne e dá forma ao conhecimento sobre a informação da instituição. 

Brandt (2020) afirma que a representação da informação deve possibilitar que 

a informação seja armazenada com coerência e consistência nas bases de dados dos 

sistemas de informação, para permitir a gestão da informação efetiva e sua 

recuperação. 

 

Figura 8 – Representação, recuperação e acesso à informação de dados clínicos. 

 

Fonte: Adaptado de BRANDT, 2020. 

 

A Figura 8 exemplifica o fluxo de representação e recuperação da informação. 

Apesar da figura original falar de outro tipo de dados, a adaptação foi útil para 

representação de recuperação de informação contida em prontuários eletrônicos.  

Baseando-se no fluxo adaptado, foi realizada uma análise sobre um conjunto de dados 

anonimizados fornecido pelo Hospital Sírio Libanês, no período correspondido entre 

01/01/2022 e 31/07/2022, sobre avaliação de pacientes sob aspecto de alergias. 

O dataset original possui 16 atributos, sendo composto pelos campos: 

• NM_ESTABELECIMENTO: nome do estabelecimento médico. Em todos os 

registros listados, refere-se ao "Hospital Sírio Libanês", exceto no último 

registro que consta "HSL - Unidade Brasília IV". 

• DS_SETOR: descreve o setor ou a unidade hospitalar em que o paciente foi 

atendido. Por exemplo, "Unidade Semi Intensiva (USI) - C - 06º andar", 

"Unidade Coronária - D - 07º andar - Ala III", etc. 

• TIPO_ATENDIMENTO: tipo de atendimento que o paciente recebeu. Nos 

registros listados, constam "Internado" e "Pronto Atendimento". 

• ADULTO_PEDIATRIA: indica se o atendimento foi para um adulto ou uma 

criança. Todos os registros nesta amostra são de "Adulto". 

• DT_NASCIMENTO: data de nascimento do paciente. 

• DT_REGISTRO: data e hora em que a informação foi registrada. 



55 
 

• IE_NEGA_ALERGIAS: indica se o paciente negou ter qualquer tipo de alergia. 

"S" indica sim (negou ter alergias) e "N" indica não (não negou ter alergias). 

• IE_INTENSIDADE: refere-se à intensidade da reação alérgica, mas todos os 

registros, nesta amostra, têm valor "L", que pode indicar uma intensidade baixa. 

• AGENTE_CAUSADOR: o que causou a alergia. Pode ser "Medicamentos", 

"Outro", ou especificado que o paciente "Nega Alergias" ou "Nega alergia 

alimentar". 

• DS_PRINCIPIO4 e DS_PRINCIPIO: ambos os campos estão relacionados ao 

agente causador da alergia. Por exemplo, "Antibacterianos, Penicilínicos de 

amplo espectro", "Piridoxina", "Metoclopramida", “Paracetamol” etc. 

• CLASSE_MATERIAL: classificação do material que causou a alergia. Em um 

dos registros está como "Contraste Radiológico". 

• DS_OBSERVACAO: qualquer observação adicional sobre o paciente ou a 

alergia. Apenas um registro nesta amostra tem uma observação, que é "ajuste". 

• DS_REACAO: descrição da reação alérgica. Por exemplo, "Erupção Cutânea", 

"Edema de Glote". 

• FUNCAO: a função ou profissão da pessoa que registrou a informação. Pode 

ser "Enfermeiro Pl", "NUTRICIONISTA CLINICO", "MEDICO". 

• TIPO_ATENDIMENTO: esta coluna está repetida, já que já foi mencionada 

anteriormente na lista. 

A seguir, a Tabela 4 apresenta uma amostra do dataset original:



56 
 

Tabela 4 – Amostra original dos dados de alergia do HSL. 

# 1 2 3 4 5 6 7 

NM 
ESTABELECIM

ENTO 
HSL HSL HSL HSL HSL HSL HSL 

DS SETOR 

Unidade 
Semi 

Intensiva 
(USI) - C - 
06º andar 

Unidade 
Coronária - D - 
07º andar - Ala 

III 

Unidade 
Internação - 

D - 17º 
andar - Ala II 

Unidade 
Internação – 

D - 18º 
andar - Ala II 

D - UAIC 
- Ala VI 

D - UAIC - Ala 
VI 

D - UAIC - Ala 
VI 

TIPO 
ATENDIMENTO 

Internado Internado Internado Internado Internado Internado Internado 

ADULTO 
PEDIATRIA 

Adulto Adulto Adulto Adulto Adulto Adulto Adulto 

DT 
NASCIMENTO 

11/27/1981 1/19/1969 7/24/1936 7/17/1929 
9/28/196

1 
9/28/1961 9/28/1961 

DT REGISTRO 1/1/21 11:54 1/1/21 11:56 1/1/21 12:11 1/1/21 12:12 
1/1/21 
12:13 

1/1/21 12:13 1/1/21 12:13 

IE NEGA N N S S N N N 

IE 
INTENSIDADE 

L L L L L L L 

AGENTE 
CAUSADOR 

Nega 
Alergias 

Medicamentos   Outro Medicamentos Medicamentos 

DS PRINCIPIO4 - 
Antibacterianos, 
Penicilinícos de 
amplo espectro 

Nega alergia 
alimentar 

Nega alergia 
alimentar 

piridoxina - - 

DS PRINCIPIO - - - - - Metoclopramida Paracetamol 

CLASSE 
MATERIAL 

- 
Antibacterianos, 
Penicilinícos de 
amplo espectro 

- - - - - 

DS 
OBSERVAÇÃO 

- - - Ajuste - - - 

DS REACAO - 
Erupção 
Cutânea 

- - 
Erupção 
Cutânea 

Edema de Glote 
Erupção 
Cutânea 

FUNCAO 
Enfermeiro 

Pl 
Enfermeiro Pl 

Nutricionista 
Clínico 

Nutricionista 
Clínico 

Médico Médico Médico 

TIPO 
ATENDIMENTO 

Internado Internado Internado Internado Internado Internado Internado 

Fonte: Elaborado pelo autor. 

 

Após análise inicial dos dados e entrevista com os profissionais, que 

forneceram o material, foi verificado que somente 10 atributos eram relevantes