Projetos
- 2021 - 2023
- Triênio
- R$ 29.673.407,89
- Valor Inicial do Projeto
Descrição do Projeto
Objetivos
4.2.2 - Expandir o serviço de algoritmos de aprendizado de máquina para imagens médicas, com construção de base de dados, validação, implementação e módulo de visualização/ anotação de imagens
4.2.3 - Adequar e validar no Mundo Real os modelos de Inteligência Artificial já existentes (Neuro, Tuberculose e Melanoma), com expansão dos algoritmos
Resultados Esperados
Serviço, Software
Entrega 01
Entrega 01 descrição: Expansão de armazenamento, novas modalidades e escalabilidade do VNA
Entrega 01 indicador principal:
-Definição de arquitetura de software do sistema de armazenamento e distribuição de imagens (VNA) escalável para atender todos os estados da federação
-Elaboração de MVP arquitetura VNA: modulos para a expansão do VNA definidas no item 11.1
-Implantação de arquitetura de software desenvolvidas no item 11.2
-Definição de arquitetura de servidores e recursos da nuvem do sistema de armazenamento e distribuição de imagens (VNA) escalavél para atender todos os estados da
-Implantação de arquitetura de servidores para a expansão do VNA definidas no item 11.4
-Definição de arquitetura de software para novas modalidades além da radiologia (raio x e tomografia) de backend e frontend
-Expansão de novas modalidades além da radiologia (raio x e tomografia) frontend, definidos no item 12.1
-Expansão de modalidades do VNA para novas modalidades além da radiologia (raio x e tomografia) backend, definidos no item 12.1
-Elaboração de MVP VNA: módulo dicomizador e importador de documentos ou arquivos: pdf, png, mp4, avi
-Plano de testes unitários para novas modalidades no VNA
-Desenvolvimento de melhoria do MVP do VNA para suportar volumes de imagens de um estado
-Implantação do item 1.11 em ambiente de desenvolvimento
-Criação de plano de testes, realizar simulação e testes de performance do item 1.12
-Desenvolvimento de Integração de API de comunicação de imagens com rede RNDS, hospitais e VNA
-Implantação do item 1.14 em ambiente de desenvolvimento
-Criação de plano de testes, realizar simulação e testes de performance do item 1.15
-Desenvolvimento de VNA visualizador de exames e integração com APP conecta SUS
-Implantação do item 1.17 em ambiente de desenvolvimento
-Criação de plano de testes, realizar simulação e testes de performance do item 1.18
-Criação de paines de monitoração de serviços (exames, visualizador e integração) relativos ao estado implantado
-Dimensionamento e criação de infraestrutura (Kubernets, balanceadores de carga, banco de dados, segurança) do VNA, Integração API e Visualizador para a rede RNDS
-Configuração de pipelines entre nuvem VNA HIAE e nuvem governo federal.
-Subir item 1.22 em ambiente de produção na infraestrutura do governo federal para o VNA.
-Subir em ambiente de produção na rede do governo federal as melhorias e correções desenvolvidas nos item 1.11
-Subir em ambiente de produção na rede do governo federal as melhorias e correções desenvolvidas nos item 1.14
-Subir em ambiente de produção na rede do governo federal as melhorias e correções desenvolvidas nos item 1.17
-Desenvolvimento de Integração de API de comunicação de imagens com rede RNDS, hospitais e VNA
-Atividade 1.28-Desenvolvimento de Integração VNA visualizador de exames e integração com APP conecta SUS
-Subir para produção na rede do governo federal paines de monitoração de serviços (exames, visualizador e integração) relativos ao estado implantado
-Passagem de conhecimento para equipe do governo back-end
-Passagem de conhecimento para equipe do governo front-end
-Passagem de conhecimento para equipe do governo help desk
-Entrada em produção assistida API de comunicação de imagens com rede RNDS, hospitais e VNA
-Entrada em produção assistida de VNA (back-end) - Armazenamento
-Entrada em produção assistida de VNA (front-end) - Visualização de exames
-Sustentação continua - Suporte 3° nível de back-end
-Sustentação continua - Suporte 3° nível de front-end
-Sustentação continua - Suporte 3° nível de integrações
-Monitoração de serviços, performance e volume de imagens
-Refatoração contínua de serviços para correção de problemas encontrados durante a monitoração.
Entrega 01 unidade de medida: Percentual
Entrega 01 planejado: 100.0%
Entrega 01 executado: 100.0%
Entrega 02
Entrega 02 descrição: Sistema de laudo do VNA
Entrega 02 indicador principal:
Definição de arquitetura de software do Sistema de laudo do VNA
-Implantação de arquitetura de software desenvolvidas no item 13.1
-Elaboração de MVP VNA: módulo de Criação e edição de laudos
-Elaboração de MVP VNA: módulo de Sinalização do estado do laudo (novo, editando, assinaturas, final)
-Elaboração de MVP VNA: módulo de Distribuição de novos laudos para subgrupos laudadores
-Elaboração de MVP VNA: módulo de Seleção de máscaras de laudo por ML
-Elaboração de MVP VNA: módulo de Integração com HIS (Hospital information System) via API FHIR
-Elaboração de MVP VNA: módulo de Interface de criação e simulação de agendamentos via FHIR
-Elaboração de MVP VNA: módulo de Sistema de priorização de worklist de laudo no VNA utilizando algoritmos internos
-Elaboração de MVP VNA: módulo de Sistema de priorização de worklist de laudo no VNA utilizando algoritmos externos
-Elaboração de MVP VNA: módulo de Geração de laudos semiprontos com campos estruturados provenientes dos ML
-Elaboração de MVP VNA: módulo de Geração de laudos semiprontos através de marcações de achados nas imagens
-Aprovação do VNA laudo para uso médico em órgão regulatório
-Plano de testes unitários para o sistema de laudos do VNA.
Entrega 02 unidade de medida: Percentual
Entrega 02 planejado: 100.0%
Entrega 02 executado: 100.0%
Entrega 03
Entrega 03 descrição: Sistema de visualização do VNA para uso em radiologia
Entrega 03 indicador principal:
-Definição de arquitetura de software do Sistema de visualização de radiologia do VNA
-Implantação de arquitetura de software desenvolvidas no item 14.1
-Elaboração de MVP VNA: módulo de Marcador de imagens chaves
-Elaboração de MVP VNA: módulo de Marcadores de achados e anotações nas imagens
-Elaboração de MVP VNA: módulo de sinalização e acompanhamento da evolução de lesões
-Analise de recursos básicos adicionais para o radiologista utilizar visualizador de forma efetiva
-Elaboração de MVP VNA: módulo básico de ferramentas complementares
-Aprovação do VNA visualização para uso médico em órgão regulatório.
-Plano de testes unitários para o sistema de visualização do VNA
Entrega 03 unidade de medida: Percentual
Entrega 03 planejado: 100.0%
Entrega 03 executado: 100.0%
Entrega 04
Entrega 04 descrição: Melhoria do sistema do VNA atual.
Entrega 04 indicador principal:
-Elaboração de MVP VNA: Módulo de interface gráfica para gestão de regras do normatizador DICOM
-Elaboração de MVP VNA: Módulo de interface gráfica para gestão dos perfis e campos no anonimizador.
-Elaboração de MVP VNA: Módulo de segmentação de exames por grupos, cidades ou estados.
-Elaboração de MVP VNA: Módulo de Sistema de auditoria de acessos as imagens
-Elaboração de MVP VNA: módulo de tokens de imagens e laudos
-Estudo de viabilidade de desenvolvimento de um sistema de gateway próprio entre os hospitais, centros de diagnósticos e nuvem.
-Elaboração de MVP VNA: módulo gateway de comunicação entre hospitais e nuvem
-Instalação de produto desenvolvido em um centro de diagnóstico e avaliação de usabilidade do produto
-Criação de plano de testes integrados
-Execução de plano de testes propostos
-Elaboração de MVP VNA: Módulo de simulação de carga e entrada de dados
Entrega 04 unidade de medida: Percentual
Entrega 04 planejado: 100.0%
Entrega 04 executado: 100.0%
Entrega 05
Entrega 05 descrição: Expansão do serviço de predições de algoritmos de aprendizado de máquina para imagens médicas em tempo real.
Entrega 05 indicador principal:
-Levantamento e especificação das necessidades de uso nas frentes de analytics para o sistema Real Time.
-Definição de nova arquitetura escalável para mundo real dos módulos do Real Time (“comunicação com o VNA”, “Router”, “ML Worker” e “Salvar predições”)
-Desenvolvimento da nova arquitetura escalável para mundo real dos módulos do Real Time (“comunicação com o VNA”, “Router”, “ML Worker” e “Salvar predições”)
-Elaboração de interface de submissão, visualização e gerenciamento dos algoritmos internos
-Realização de piloto em ambiente controlado interno para identificação e desenvolvimento dos requisitos de escalabilidade para mundo real.
-Após o piloto em ambiente controlado levar para teste de escalabilidade em mundo real, incluindo possíveis implementações de algoritmos externos provenientes de
-Definição e consolidação do padrão de respostas (output) de algoritmos de machine learning junto aos times de Analytics
-Definição e consolidação do pacote padrão de implementação de algoritmos (padrão do Bundle) junto às necessidades do Analytics
-Desenvolvimento da API para consulta de predições internas
-Desenvolvimento da integração do Real Time Externo (API) com a Carpl (API)
-Desenvolvimento de sistema de monitoramento de modelos implementados
Entrega 05 unidade de medida: Percentual
Entrega 05 planejado: 100.0%
Entrega 05 executado: 100.0%
Entrega 06
Entrega 06 descrição: Expansão do sistema de validação de algorítmos em base de dados (datasets) ocultos.
Entrega 06 indicador principal:
-Levantamento e especificação das necessidades de uso nas frentes de analytics para o sistema de validação.
-Consolidação do módulo de interface do sistema de validação do formato arquitetural com o sistema DSM
-Criar e configurar uma API de cadastro de usuários com a Carpl 
-Consolidação do módulo de Criação e Execução de Containers Personalizados.
-Consolidação do módulo de aferição de métricas em algoritmos submetidos para validação.
-Desenvolvimento de um sistema que permita a reavaliação dos algoritmos submetidos previamente em uma nova atualização do dataset de validação.
-Interface para criar e desativar um Dataset de Validação.
-Levantamento e definiçã dos principais casos de uso de base de dados (dataset) para validação de algoritmos internos
-Desenvolvimento de sistema de resultado automatizado de validação através de desenvolvimento de relatório padronizado.
-Definição das métricas de avaliação dos algoritmos para o caso de uso específico
-Elaboração da documentação das regras de submissão e validação dos algoritmos
-Implementação do dataset de validação no sistema de validação de algoritmos
-Evento (Desafio de Machine Learning imagens médicas) de divulgação e treinamento do uso da plataforma em um dataset de validação.
Entrega 06 unidade de medida: Percentual
Entrega 06 planejado: 100.0%
Entrega 06 executado: 100.0%
Entrega 07
Entrega 07 descrição: Módulo de visualização e anotação de arquivos DICOM para datasets de-identificados
Entrega 07 indicador principal:
-Solicitação e acompanhamento do processo de contratação de fornecedor externo em Compras e Jurídico Einstein
-Análise e teste das funcionalidades dos módulos “Annotation” e “Viewer” de anotação e visualização em imagens radiológicas (ferramenta CARPL)
-Análise e teste das funções de configuração de estrutura e de download de anotações, existentes no módulo “Annotation” da ferramenta CARPL
Entrega 07 unidade de medida: Percentual
Entrega 07 planejado: 100.0%
Entrega 07 executado: 100.0%
Entrega 08
Entrega 08 descrição: Suporte a dados não estruturados do tipo documento textual na plataforma Dataset Manager
Entrega 08 indicador principal:
-Análise e teste da função de adição de relatórios e anonimização existentes no módulo “Dataset Manager”
-Análise e teste da funcionalidade de registro de dados não estruturados do tipo texto no módulo de visualização e anotação de imagens
Entrega 08 unidade de medida: Percentual
Entrega 08 planejado: 100.0%
Entrega 08 executado: 100.0%
Entrega 09
Entrega 09 descrição: Neuro
Entrega 09 indicador principal:
-Adequação para real world
-Avaliar a implementação desses modelos para os centros diagnósticos
-Levantar e especificar requisitos, service design e jornada
-Avaliar necessidades para aplicação do modelo
-Validação em real world
-Análise de performance por métricas diferentes (primeiro ciclo)
-Adequação de ciclo de aprendizagem de uso em real world
-Análise de performance por métricas diferentes (segundo ciclo)
-Resultado do impacto no serviço
-Expansão do Serviço
-Levantamento e especificação das necessidades de uso nas frentes de serviço do modelo em validação clínica
-Desenvolvimento de ferramentas auxiliares para o serviço modelo em validação clínica
-Testar as ferramentas auxiliares para o serviço modelo em validação clínica
-Validar as ferramentas auxiliares para o serviço modelo em validação clínica
-Desenvolvimento de valores normativos para uso clínico
-Definição e construção do conjunto de dados
-Geração de valores volumétricos normativos
-Ajuste de curvas normativas para os volumes intracraniano e ventricular
-Incorporação da análise nos resultados do modelo em validação clínica
Entrega 09 unidade de medida: Percentual
Entrega 09 planejado: 100.0%
Entrega 09 executado: 100.0%
Entrega 10
Entrega 10 descrição: Tuberculoseka
Entrega 10 indicador principal:
-Adequação para real world
-Avaliar a implementação desses modelos para as UBSs
-Levantar e especificar requisitos, service design e jornada
-Avaliar necessidades para aplicação do modelo
-Validação em real world
- Análise de performance por métricas diferentes (primeiro ciclo)
-Adequação de ciclo de aprendizagem de uso em real world
- Análise de performance por métricas diferentes (segundo ciclo)
-Resultado do impacto no serviço
-Expansão do Serviço
-Levantamento e especificação das necessidades de uso nas frentes de serviço
-Desenvolvimento de ferramentas auxiliares para o serviço
-Testar as ferramentas auxiliares para o serviço
-Validar as ferramentas auxiliares para o serviço
* Melanoma
-Adequação para real world
-Avaliar a implementação desses modelos para os centros diagnósticos
-Levantar e especificar requisitos, service design e jornada
-Avaliar necessidades para aplicação do modelo
-Validação em real world
- Análise de performance por métricas diferentes (primeiro ciclo)
-Adequação de ciclo de aprendizagem de uso em real world
- Análise de performance por métricas diferentes (segundo ciclo)
-Resultado do impacto no serviço
-Expansão do Serviço
-Levantamento e especificação das necessidades de uso nas frentes de serviço
-Desenvolvimento de ferramentas auxiliares para o serviço
-Testar as ferramentas auxiliares para o serviço
-Validar as ferramentas auxiliares para o serviço
* Benchmarks internacionais para o estado da arte em metodologia de projetos especializados em Machine Learning e workshops sobre os desafios assistenciais dentro dos modelos de algoritmos de validação dos algoritmos
-Realização de dois benchmarks internacionais
-Realização de três workshops sobre os desafios assistenciais dentro dos modelos de algoritmos
Entrega 10 unidade de medida: Percentual
Entrega 10 planejado: 100.0%
Entrega 10 executado: 100.0%
 
				
 
 