Plataforma colaborativa de monitorização, em tempo real, de análises clínicas, nas instituições de saúde

Universidade do Minho Escola de Engenharia Quitéria Guimarães Pinheiro Plataforma Colaborativa de Monitorização, em Tempo Real, de análises clínicas, nas Instituições de Saúde janeiro de 2024 UMinho | 2024 Quitéria Guimarães Pinheiro Plataforma Colaborativa de Monitorização, em Tempo Real, de análises clínicas, nas Instituições de Saúde Universidade do Minho Escola de Engenharia Quitéria Guimarães Pinheiro Plataforma Colaborativa de Monitorização, em Tempo Real, de análises clínicas, nas Instituições de Saúde Dissertação de Mestrado Mestrado em Bioinformática Trabalho efetuado sob a orientação de Professor Doutor José Manuel Ferreira Machado janeiro 2024 Direitos de Autor e Condições de Utilização do Trabalho por Terceiros Este é um trabalho académico que pode ser utilizado por terceiros desde que respeitadas as regras e boas práticas internacionalmente aceites, no que concerne aos direitos de autor e direitos conexos. Assim, o presente trabalho pode ser utilizado nos termos previstos na licença abaixo indicada. Caso o utilizador necessite de permissão para poder fazer um uso do trabalho em condições não previstas no licenciamento indicado, deverá contactar o autor, através do RepositóriUM da Universidade do Minho. Licença concedida aos utilizadores deste trabalho: CC BY-ND https://creativecommons.org/licenses/by-nd/4.0/ [Esta licença permite que outras pessoas usem o seu trabalho para qualquer fim, incluindo para fins comerciais. Contudo, o trabalho, na forma adaptada, não poderá ser partilhado com outras pessoas e têm que lhe ser atribuídos os devidos créditos.] i Agradecimentos Após uma longa jornada de cinco anos, o presente projeto marca o encerramento de mais um ciclo. Ao longo destes anos, contei com diversos suportes, aos mais diversos níveis e, por isso, gostaria de deixar alguns agradecimentos. Primeiramente, quero expressar a minha sincera gratidão ao meu orientador, Professor Doutor José Machado, pela sua constante presença e apoio ao longo deste ano. Agradeço imenso pelas oportunidades que me proporcionou desde o início, ao integrar a sua equipa, oportunidades essas que foram incrivelmente enriquecedoras e instrutivas. Um agradecimento especial à Regina, que acompanhou de perto todas as etapas deste projeto e por encontrar sempre tempo para mim, mesmo diante das suas próprias responsabilidades. A tua ajuda foi fundamental para o sucesso deste projeto. Aos meus pais e irmão, obrigada por estarem sempre lá para mim, por terem uma fé em mim que muitas vezes supera a minha, por confiarem sempre e me darem liberdade total para correr pelos meus sonhos, com a certeza de que será o caminho certo. Agradeço por nunca julgarem as minhas escolhas e, acima de tudo, por serem colo e casa, sempre! Vocês são o melhor lugar do mundo. Um ‘obrigada’ não chega para descrever o quão grata eu sou por vos ter na minha vida. Um agradecimento especial ao meu namorado, por todo o respeito, apoio e companheirismo que partilhamos ao longo dos últimos dois anos. A tua presença foi fundamental em cada desafio que surgiu, no decorrer deste ano. Que venham os próximos desafios, que nós estamos prontos para os ultrapassar, juntos! Aos meus amigos, àqueles que já vinham na bagagem antes de entrar na universidade e a todos aqueles que conheci por cá, ao longo deste percurso e que levo para a vida. Cada um de vocês, deixou uma marca única ao longo destes anos, enriquecendo-os com vivências e experiências que nunca irei ii esquecer. Obrigada por fazerem parte da minha jornada e por tornarem cada momento tão especial. Também quero expressar a minha gratidão à Universidade do Minho, que foi fundamental para o meu crescimento ao longo destes cinco anos. À Escola de Ciências, que foi a minha primeira casa e onde me licenciei em Bioquímica e, em particular, à Escola de Engenharia, que se revelou, sem dúvida, o melhor caminho que eu poderia ter escolhido. iii Declaração de Integridade Declaro ter atuado com integridade na elaboração do presente trabalho académico e confirmo que não recorri à prática de plágio nem a qualquer forma de utilização indevida ou falsificação de informações ou resultados em nenhuma das etapas conducente à sua elaboração. Mais declaro que conheço e que respeitei o Código de Conduta Ética da Universidade do Minho. Universidade do Minho, Braga, janeiro 2024 Quitéria Guimarães Pinheiro iv Resumo Na era atual, marcada pela rápida evolução tecnológica, testemunhamos transformações profundas que permeiam todos os setores da sociedade. A incessante inovação tecnológica tem redefinido a forma como vivemos, trabalhamos e interagimos, proporcionando uma revolução que molda a essência da vida moderna. No âmbito da saúde, essa revolução tecnológica não é apenas evidente, como também tem o potencial de redefinir padrões e expetativas. Os avanços tecnológicos na área da saúde oferecem benefícios significativos, desde diagnósticos mais precisos a tratamentos mais personalizados. A integração de tecnologias como inteligência artificial e big data , não apenas amplia o alcance dos serviços de saúde, como também melhora a eficiência e a qualidade do atendimento. Os softwares desempenham um papel central nesta transformação, proporcionando ferramentas poderosas para profissionais de saúde. A gestão eficiente de dados, análises avançadas e aprimoramento da comunicação entre equipas médicas são apenas alguns dos benefícios oferecidos por estas soluções. A relevância crescente destes softwares destaca-se na contribuição das operações clínicas e na melhoria dos processos de tomada de decisão, resultando numa prestação de cuidados mais eficaz e centrada no paciente. A elaboração da presente dissertação considerou o estudo minucioso da seguinte questão de investigação: ”Qual o impacto da utilização de uma aplicação de análise de dados no domínio da medicina e na melhoria da qualidade de vida dos pacientes?”Para responder a esta questão, foi desenvolvida a AnalyticCare , uma aplicação de monitorização de análises clínicas, com a finalidade de ampliar a capacidade de comparação entre pacientes, proporcionando aos profissionais de saúde uma ferramenta valiosa. Este artefacto representa uma resposta às demandas crescentes por soluções que otimizem a análise comparativa de casos clínicos. Por fim, foi realizada uma Prova de Conceito - Análise SWOT, para avaliar a eficiência da aplicação, destacando não apenas a sua viabilidade técnica, mas também a sua capacidade de promover avanços na eficácia dos cuidados de saúde, contribuindo para um ambiente clínico mais sofisticado e integrado. v Palavras-chave instituições de saúde, monitorização, plataforma web , sistemas de informação em saúde, tomada de decisões médicas. vi USB Universal Serial Bus. WEB World Wide Web. XML Extensible Markup Language. xiii Capítulo 1 Introdução 1.1 Contextualização e Motivação Os sistemas de informação na saúde produzem e armazenam volumes significativos de dados eletrónicos. Os profissionais de saúde estão, diariamente, expostos a uma grande variedade de informações provenientes de várias fontes que necessitam de análise de forma a suportarem o constante processo de tomada de decisão [2]. Estas informações poderão incluir desde relatórios médicos eletrónicos e monitorização de pacientes até resultados laboratoriais, dados de ventiladores mecânicos e recomendações interprofissionais. A capacidade de recuperar, sincronizar e partilhar dados é essencial tanto para a documentação clínica quanto para a solução de problemas, em tempo real, para pacientes individuais e para a população da unidade de terapia intensiva como um todo. Avanços tecnológicos que promovem a integração de dados relevantes numa única exibição ou “painel” podem melhorar a eficiência da equipa, acelerar decisões, agilizar processos de fluxo de trabalho e reduzir descuidos e erros na prática clínica. Estes dispositivos de monitorização de bem-estar e aplicações de software complementares capazes de gerar alertas e partilhar dados confiáveis de saúde já se encontram disponíveis [3]. Assim, tem sido notória a evolução que o setor da saúde tem registado ao longo das últimas décadas, sendo esta uma área em constante desenvolvimento em que a gestão da informação assume um papel fulcral nos Sistemas de Informação (SI), instalados nas Instituições de Saúde (IS). Entende-se por SI, sistemas automatizados, ou manuais, que devem ser capazes de recolher, processar, transmitir e difundir dados. Nas IS coexistem vários SI, com o intuito de facilitar as integrações do volume crescente de informação e, para tal estes sistemas utilizam tecnologias e normas diferentes. O desenvolvimento dos SI pretende promover a eficiência das organizações e é necessário que todos os intervenientes neste processo caminhem na mesma direção, melhorando a documentação, comunicação e coordenação entre sistemas. 1 1.2 Objetivos O desenvolvimento desta dissertação tem como objetivo principal a resposta a uma questão de investigação. Esta questão foi colocada para compreender de que forma a utilização de uma aplicação de análise de dados na área da medicina tem impacto na melhoria da qualidade de vida dos utentes. Ao abordar este ponto, procura-se fornecer insights valiosos que possam informar práticas clínicas mais eficazes e promover avanços significativos no cuidado ao paciente. Para isto, pretende-se proceder à análise e processamento de um dataset , inicialmente, com mais de 2 milhões de registos. Este dataset foi gerado de forma sintética, com o propósito de oferecer uma representação simulada e controlada de diversos contextos reais. Posteriormente, estes dados, serão consumidos pela plataforma elaborada, que irá monitorizar os resultados de análises clínicas, de cada paciente, e verificar de que forma os valores variam ao longo do tempo. A aplicação irá permitir também fazer comparações entre valores de análises de pacientes da mesma faixa etária, e comparações tendo em conta a localidade. Posto isto, o artefacto desenvolvido será capaz de ajudar os profissionais de saúde a tomar melhores decisões médicas, o que impactará positivamente o prognóstico e estado do paciente e garantirá um melhor desempenho nas organizações de saúde. Com o propósito de alcançar esta finalidade, foram delineados os seguintes objetivos específicos, no início do processo de desenvolvimento da dissertação: • Identificação e caracterização do problema; • Pesquisa de Estado de Arte; • Identificação da fonte de dados a utilizar; • Estudo e caracterização dos dados provenientes; • Pré-processamento de dados, com recurso a Python ; • Desenvolvimento dos modos da plataforma colaborativa para monitorização dos resultados de análises clínicas: –Vista orientada ao paciente; –Vista orientada à faixa etária; –Vista orientada à localidade; • Elaboração da prova de conceito e/ou análise SWOT do artefacto desenvolvido. 2 1.3 Organização da Dissertação A presente dissertação está estruturada de maneira a proporcionar uma compreensão lógica e detalhada do tema abordado e, encontra-se dividida em 6 capítulos. Neste primeiro capítulo é apresentada a parte introdutória ao tema da dissertação, explicando uma breve contextualização e motivação. São também definidos os principais objetivos deste projeto. O segundo capítulo corresponde ao estado da arte onde o tema deste estudo é aprofundado sendo constituído pela componente crítica das publicações científicas que fundamentam o trabalho. Neste capítulo são apresentados os principais conceitos e definições do mesmo e tópicos reagrupados segundo temas tratados, como por exemplo: • Sistemas de Informação Hospitalar - Integração entre recursos tecnológicos e funções; • Análise de Big Data e os seus desafios; • Tipos de Repositórios - Aborda as principais diferenças entre Data Warehouse e Data Lake ; • Utilização de Ferramentas colaborativas nas instituições de saúde; • Processos Extract, transform, load (ETL) - Apresenta a importância dos métodos de extração, transformação e carregamento dos dados bem como o momento em que este processo é executado; • Plataformas de Visualização em Tempo Real - Expõe as vantagens da utilização destas plataformas no contexto da medicina, incluindo os tipos de técnicas de visualização de dados e os seus processos de visualização. No terceiro capítulo, intitulado por ‘Metodologias de Investigação e Ferramentas de Desenvolvimento’, serão detalhadas as abordagens metodológicas utilizadas na condução da investigação, bem como as ferramentas de desenvolvimento empregues na criação da plataforma colaborativa de monitorização de análises clínicas. O capítulo seguinte, quarto capítulo, referente ao ’Caso de Estudo I – Plataforma Colaborativa de Monitorização, em Tempo Real, de análises clínicas, nas Instituições de Saúde’ apresentará uma análise detalhada do caso de estudo, destacando a arquitetura da plataforma, a sua explicação detalhada e os resultados obtidos. No capítulo 5 - ‘Prova de Conceito’, será realizada uma demonstração prática da eficácia da plataforma desenvolvida, explorando casos específicos e validando os resultados obtidos. 3 Finalmente, o sexto capítulo, intitulado por ‘Conclusões e Trabalho Futuro’, proporcionará uma síntese das descobertas e contribuições do trabalho, juntamente com reflexões sobre possíveis direções futuras. Este capítulo consolidará o conhecimento adquirido ao longo da dissertação e delineará as oportunidades para investigação adicional. 4 Capítulo 2 Estado da Arte Os profissionais de saúde, em ambientes hospitalares, devem coordenar todos os aspetos relacionados com o cuidado de um ou mais pacientes. Os dados clínicos são constantemente recuperados, documentados, analisados e comunicados a terceiros, todos inseridos na rotina diária de cuidados prestados pelos profissionais de saúde. Além disso, muitos dispositivos e monitores utilizados para auxiliar no tratamento de pacientes possuem sistemas de alarmes, que devem ser avaliados ao longo do dia de trabalho, juntamente com as ações que devem ser tomadas com base nas condições do paciente e em outros dados relevantes. A complexidade de tais processos de cuidado apresenta diversas oportunidades para possíveis descuidos em relação a detalhes importantes. A capacidade de vincular sistematicamente e logicamente diferentes conjuntos de dados num sistema de painel coeso é uma promessa significativa para melhorar a qualidade do atendimento, a segurança do paciente e os resultados clínicos num ambiente hospitalar [3]. 2.1 Sistemas de Informação Hospitalar Num âmbito global, as organizações de saúde estão empenhadas a aprimorar a qualidade do atendimento ao paciente, aumentar a satisfação do paciente e conter custos. Para atingir estes objetivos, estas organizações usam Tecnologias de Informação (TI) em saúde, incluindo Sistemas de Informação Hospitalar (SIH), para gerir informações de pacientes - recolha, processamento, armazenamento e troca de informações - a alta velocidade [4,5]. Um SIH é um sistema computacional projetado para gerir as atividades administrativas, onde se pretende registar dados demográficos dos doentes e dados do funcionamento da instituição; atividades financeiras, quando se registam dados relativos a custos ou receitas; verificação de stock , sendo importantes para fazer a gestão do mesmo e, atividades clínicas, quando se pretende registar os dados de saúde e doença dos utentes [6,7,8]. Assim, o sistema de informação é direcionado a pessoal administrativo, profissionais de saúde, gestores e/ou utentes. 5 De acordo com a finalidade a que se propõe, o Sistemas de Informação pode melhorar a qualidade do atendimento ao paciente, aumentando o acesso oportuno e a precisão das informações clínicas e administrativas relacionadas com o paciente. Este sistema aumenta a produtividade através do controlo de custos e melhora a qualidade do atendimento ao paciente, promovendo a troca de informações entre funcionários e departamentos do hospital. O uso de Sistemas de Informação Hospitalar também é eficaz na redução de erros médicos, facilitando o acesso adequado a informações de alta qualidade [9,10,11,12,13]. A área dos Sistemas de Informação está em constante crescimento, tanto nos cuidados primários como nos hospitais, e apesar de muito do esforço da informatização estar centrado nestes últimos, é aumentando a eficiência dos cuidados primários que se obtém um impacto positivo nos custos da prestação de cuidados de saúde [14]. Relativamente aos cuidados primários, sabe-se que os Sistemas de Informação clínicos auxiliam a gestão clínica do paciente no que diz respeito à prática médica, incluindo funcionalidades como registo de consultas e de tratamentos, dados laboratoriais e prescrição médica. Por outro lado, os SI administrativos suportam o funcionamento da instituição e gestão dos pacientes, incluindo funcionalidades como gestão de doentes, agendamento, orçamento e arquivo documental. Alguns sistemas incluem os Sistemas de Informação clínicos e administrativos num único sistema [14]. Estes sistemas representam as soluções informáticas mais comuns desenvolvidas para apoiar os serviços de saúde, abrangendo diversas atividades hospitalares em diferentes níveis de cuidados de saúde e tratamentos. Estão também responsáveis por armazenar informações clínicas e pessoais altamente sensíveis dos pacientes, sendo considerados recursos cruciais para os utilizadores destes Sistemas de Informação [15,16]. No entanto, a natureza valiosa e sensível desses dados também implica riscos potenciais de violação da privacidade, confidencialidade e segurança das informações. Para mitigar estes riscos, os sistemas devem ser projetados para proteger contra acessos não autorizados, implementando robustos mecanismos de segurança, como métodos avançados de identificação e autenticação. É imperativo que tais sistemas permitam o acesso apenas a indivíduos autorizados, garantindo assim, a integridade e a confidencialidade dos dados e informações [17]. Sistemas de Informação: Integração entre recursos tecnológicos e funções Como vimos anteriormente, um sistema de informação tem como finalidade transformar dados em informações qualificadas e contextualizadas, agregando significado aos dados. Este processo é resultado da interação entre cinco funções: 6 Entrada: Captura e armazenamento de dados; Processamento: Conversão dos dados capturados em informação; Armazenamento: Guarda os dados de forma organizada para utilização posterior; Saída: Transfere informação produzida para o destino final; Controlo do Desempenho: Analisa o funcionamento do sistema, através de relatórios emitidos na função de ’saída’. Se necessário, realiza ajustes nas funções de ’entrada’ e ’processamento’ para assegurar o alcance dos objetivos finais. Com o desenvolvimento da informática, as funções dos Sistemas de Informação integram-se às plataformas de tecnologia de informação, compreendendo cinco tipos distintos de recursos: Hardware: Constituídos por dispositivos físicos, utilizados no processamento de dados. Abrange processadores, disco rígido ou SSD, pen drives USB, impressoras, equipamentos médicos acoplados à rede de telecomunicações, entre outros; Software: Conjunto de instruções de processamento de dados que engloba programas de computador. Estes programas dirigem e controlam as operações do hardware . O software também inclui procedimentos e documentações relacionadas ao processamento de dados, incorporando instruções operacionais e informações sobre a instalação e utilização do produto; Recursos de dados: Base de Dados responsável por armazenar todos os dados do Sistemas de Informação; Recursos de Rede: Refere-se ao meio físico de transmissão e de divulgação de dados que viabiliza a comunicação entre os diversos utilizadores do sistema; Pessoas: Conferem sentido e significado aos Sistemas de Informação, na condição de utilizadores. Ao integrarem-se com os recursos tecnológicos e funcionais, os Sistemas de Informação tornam-se elementos essenciais na estruturação e operação eficiente das organizações, promovendo a transformação de dados em informações valiosas para a tomada de decisão e o alcance dos objetivos estabelecidos [18]. A figura 1ilustra a união entre as capacidades tecnológicas e as operações dos SI. 7 Figura 1: Sistema de Informação: Integração entre recursos tecnológicos e funções. 2.2 Análise de Big Data Nos últimos anos, com o aparecimento de vários novos serviços de Internet, aplicações web e plataformas de comunicação social (por exemplo, Facebook , Twitter , Instagram , uma nova categoria de dados emergiu: o Big Data . Esta evolução apresenta novos desafios, especialmente em relação ao grande ”volume”de dados, bem como à heterogeneidade destes dados, que podem ser estruturados, semi-estruturados e não estruturados (ou “variedade”. Além disso, são impostos desafios quanto à ”velocidade”necessária para processar esses dados e à confiabilidade dos dados (ou “veracidade”. Estes termos representam os populares “4Vs” de Big Data na literatura [19]. Estes conjuntos de dados ultrapassam a capacidade das ferramentas tradicionais de capturar, armazenar, processar e analisar dados. Como resposta a este desafio, uma nova estratégia de armazenamento de dados foi proposta, conhecido como o processo ETL [20, 21]. Neste contexto, os dados são, inicialmente, extraídos das suas fontes (1. extrair) e armazenados no seu estado bruto num Data Lake (2. carregar), aplicando apenas pequenas transformações (3. transformar). Posteriormente, esses dados passarão por tarefas de transformação necessárias para serem finalmente carregados num Data Warehouse de destino, conforme exploraremos mais adiante. 8 2.3 Tipos de repositórios de Base de Dados Os dados representam o núcleo essencial de qualquer organização nos dias de hoje. Reconhecendo a importância fundamental dos dados nos sistemas modernos de inteligência de negócios, as organizações procuram tomar decisões significativas e manter a competitividade no mercado. A eficiente e ideal análise de dados confere uma vantagem competitiva, o que influencia diretamente o desempenho e os serviços oferecidos. As principais organizações atualmente geram, recolhem e processam volumes substanciais de dados, que se enquadram na categoria de Big Data . A gestão e análise eficazes desse amplo espetro de Big Data representam um desafio complexo. A utilização apropriada da vasta coleção de informações de uma organização pode fornecer insights valiosos sobre as estratégias de negócios. Nesse contexto, dois sistemas de gestão de dados proeminentes na análise de Big Data - Data Warehouse e Data Lake - atuam como plataformas para acumular os grandes volumes de dados gerados e utilizados pelas organizações. Embora possam parecer semelhantes à primeira vista, estes sistemas diferem em termos de características e aplicações [22]. 2.3.1 Data Warehouse O conceito de Data Warehouse foi pioneiramente introduzido no final da década de 1980 pelos pesquisadores da International Business Machines (IBM, Barry Devlin e Paul Murphy com o propósito de criar uma arquitetura capaz de resolver o fluxo de dados para ambientes de suporte à decisão [22]. Segundo a definição de Inmon, “um DW é uma coleção de dados orientada por assunto, não volátil, integrada e variável no tempo para apoiar as decisões de gestão” [23]. Formalmente, o Data Warehouse representa um amplo repositório de dados, permitindo o armazenamento e integração de informações provenientes de diversas fontes, de maneira bem estruturada. Este desempenha um papel crucial no processo de tomada de decisões, proporcionando uma análise de dados adequada [24]. No contexto da gestão de dados corporativos, o armazenamento de dados refere-se a um conjunto de sistemas de tomada de decisão projetados para capacitar especialistas em informações, como líderes, administradores ou analistas, visando melhorar e otimizar o tempo dedicado a tomar decisões estratégicas. Os sistemas de Data Warehouse atuam como ferramentas essenciais de inteligência de negócios, sendo amplamente adotados na gestão de dados, por médias e grandes empresas [25, 26]. Na última década observou-se um significativo desenvolvimento, tanto na diversificação de produtos e serviços oferecidos quanto na adoção em larga escala desses avanços pela indústria [22]. 9 2.6.4 Vantagens das técnicas de visualização na área da saúde A implementação e a adoção de diferentes técnicas de visualização nos setores da saúde são fundamentais para aprimorar a prestação geral de cuidados de saúde pelos profissionais do setor. Diversas instituições de saúde incorporaram ferramentas de análise de dados, incluindo ML e inteligência artificial. Os benefícios associados à implementação e adoção destas técnicas, em estabelecimentos de saúde, são diversos: 1. Melhoria geral do atendimento ao paciente: A utilização da visualização de dados de saúde tem impactos positivos no fornecimento global de cuidados de saúde. Desempenhando um papel crucial no apoio às tomadas de decisões clínicas dos profissionais de saúde, facilita a antecipação de ameaças e permite respostas imediatas. A identificação de várias medidas críticas possibilita a análise aprofundada da situação dentro de uma organização de saúde. A visualização, em tempo real, dos dados de saúde do paciente é essencial para aprimorar a qualidade do atendimento, permitindo que os profissionais tomem decisões clínicas com base na situação atual do paciente [52]. Vamos analisar um exemplo sucinto, que descreve perfeitamente a utilidade de técnicas de visualização: estas técnicas são fundamentais para monitorizar parâmetros de saúde e foram especialmente relevantes durante a pandemia da COVID-19. Um indicativo crucial a analisar pelos profissionais de saúde, durante esse período, foi a saturação de oxigénio. [53]. A visualização, em tempo real, desses dados foi essencial para avaliar as respostas dos pacientes ao tratamento, permitindo a monitorização dos níveis de saturação de oxigénio e ajustes terapêuticos conforme necessário [54]. Este exemplo ilustra a importância das aplicações, bem-sucedidas, de plataformas de visualização em tempo real, destacando a possibilidade de adaptar esta metodologia para análises clínicas específicas. Em diversas unidades de internamento, a visualização em tempo real é utilizada para monitorizar parâmetros como pulso, frequência cardíaca e a pressão arterial [55], contribuindo para a deteção precoce de parâmetros anormais e facilitando intervenções necessárias para melhorar resultados e a qualidade geral dos cuidados de saúde. 2. Reconhecimento de tendências e padrões de doenças: Identificar tendências e padrões representa outra vantagem significativa da utilização de técnicas de visualização nos setores de saúde. Esta capacidade é crucial para a tomada de decisões na prestação de cuidados de saúde, permitindo a deteção precoce de possíveis problemas e a implementação de estratégias preventivas. Um 16 aspeto crítico é a identificação e avaliação de padrões de doenças em populações específicas. O reconhecimento desses padrões fornece insights valiosos, indicando a necessidade de investigar os fatores subjacentes a uma elevação nas tendências. A análise de dados e a representação visual de indicadores como a obesidade exemplificam a identificação de padrões, desempenhando um papel crucial na saúde pública e comunitária. A compreensão dos fatores por trás dessas tendências pode promover a consciencialização sobre a necessidade de modificar estilos de vida, tanto a nível individual como coletivo [56]. 3. Apresentação de dados para diferentes audiências: Frequentemente, a interpretação de dados de saúde é bastante desafiadora para profissionais de diversas disciplinas, principalmente para indivíduos sem formação médica. A principal finalidade da apresentação de dados é simplificar informações complexas, tornando-as compreensíveis para qualquer público, independentemente do seu conhecimento prévio. Por exemplo, ao exibir dados de prevalência de doenças em gráficos para o público em geral, ocorre uma simplificação eficaz que facilita a compreensão [41]. Além disso, a utilização de apresentações visuais para ilustrar fatores que impactam a prevalência de doenças tornam as informações médicas valiosas e facilmente acessíveis a qualquer público-alvo. 4. Desempenho acelerado: A visualização de dados, em tempo real, em organizações de saúde proporciona um desempenho mais rápido e eficiente nos cuidados de saúde prestados. Isto refletese na agilidade da tomada de decisões clínicas, especialmente em situações críticas, resultando em impactos positivos no prognóstico e estado de saúde do paciente. Além disso, a atuação acelerada contribui para a redução de inadequações da assistência prestada, garantindo um melhor desempenho global das organizações de saúde. Este rápido e eficiente atendimento não apenas beneficia os pacientes, mas também constrói uma reputação sólida de eficácia para as instituições de saúde [42]. 5. Deteção de erros e fraudes: Um dos benefícios mais proeminentes da implementação de diversas técnicas de análise e visualização de dados nos setores de saúde é capacidade de detetar fraudes e erros, especialmente aqueles relacionados à faturação médica. Conforme relatado pela Medicare e Medicaid , a maioria dos casos de fraude que ocorrem nas unidades de saúde são cometidas por profissionais de saúde internos, resultando em perdas financeiras substanciais para as instituições [56]. As formas proeminentes de fraude incluem cobranças duplicadas, cobranças fictícias, prescrições falsas e outros tipos de fraudes no seguro de saúde cometidas por prestadores de serviços. Uma 17 correlação efetiva entre as partes interessadas, como pacientes, pagadores de assistência médica (entidades ou organizações responsáveis por pagar ou cobrir custos dos serviços de assistência médica) e provedores de sinistros (organizações ou entidades que processam e geram reclamações apresentadas pelos beneficiários de serviços de saúde), pode melhorar a integridade do processo de cobrança e reduzir esquemas fraudulentos [57]. A implementação de técnicas de visualização de dados tem sido crucial para aumentar a transparência no setor da saúde. 18 Capítulo 3 Metodologias de Investigação e Ferramentas de Desenvolvimento As indagações de pesquisa apresentadas nos capítulos anteriores conduziram à exploração de resoluções, bem como de abordagens metodológicas que contribuíssem para a criação de um conteúdo sólido e proveitoso. É evidente que este processo demanda uma pesquisa cuidadosa e uma análise detalhada das metodologias e tecnologias disponíveis, a fim de selecionar aquelas mais apropriadas para o desenvolvimento das soluções propostas. Nesse sentido, este capítulo procura apresentar uma descrição abrangente das metodologias e tecnologias aplicadas ao longo da condução deste estudo. É relevante observar que a seleção dos métodos e ferramentas não se fundamentam apenas nas vantagens da sua implementação, mas também na sua conformidade com os sistemas relacionados e nas respetivas limitações. 3.1 Frameworks, bibliotecas e linguagens de programação 3.1.1 Bases de Dados Desde o início da revolução digital, o armazenamento de informações para consultas subsequentes tem sido um desafio persistente. Na indústria são gerados vários tipos de dados, tais como, dados semiestruturados e não estruturados. Mesmo que possa parecer simples à primeira vista, as bases de dados carregam uma grande responsabilidade, uma vez que o êxito das operações às quais são submetidas pode influenciar significativamente a confiabilidade e eficiência de um sistema como um todo. Uma base de dados é uma estrutura organizada para armazenar e gerir dados de forma eficiente. Os dados podem ser inseridos, recuperados, atualizados e excluídos conforme necessário. [58]. Os Sistemas de gestão de base de dados (SGBD) são softwares projetados para criar e gerir estas bases de dados, oferecendo recursos como produção de relatórios e controlo de operações de leitura e gravação. 19 Atuam também como intermediários entre os utilizadores finais e a base de dados, facilitando a organização e manipulação das informações. As principais funções dos SGBD incluem a gestão dos dados, a definição do esquema da base de dados, que estabelece a sua estrutura lógica, e o mecanismo da base de dados, que permite o acesso, atualização e bloqueio dos dados. Estes três elementos fundamentais garantem a execução de procedimentos administrativos padronizados, garantindo simultaneidade, recuperação, segurança e integridade dos dados [59]. Os Sistemas de Gestão de Bases de Dados Relacionais (SGBDR) são uma versão avançada dos SGBD. Baseiam-se no modelo Relacional - álgebra relacional e Cálculo Relacional de Tuplas (CRT) - introduzido por Edgar Codd [60]. As bases de dados relacionais são altamente estruturadas em tabelas, ou seja, todos os dados da tabela são armazenados em linhas e colunas, frequentemente referidas como tuplas e atributos, respetivamente. Cada linha contém um valor de dados para a coluna correspondente, enquanto que cada coluna possui um tipo de dados normalizado, muitas vezes sujeitos a restrições [61]. As tabelas estão relacionadas entre si através de chaves primárias e estrangeiras garantindo a “integridade referencial” entre os objetos. Estas tabelas relacionais são a base do modelo relacional [62] e são amplamente utilizadas em várias bases de dados populares, atualmente. Entre as características proeminentes dos sistemas SGBDR, destacam-se as seguintes: • Armazenamento dos dados em tabelas, organizadas em colunas e linhas, fornecendo uma estrutura eficiente e organizada; • Fornece diversas facilidades, como chave primária, que garante a identificação única das linhas, e utiliza uma coluna comum que pode ser partilhada entre mais do que uma tabela; • Possibilidade de criação de índices para acelerar a recuperação de dados, aumentando a eficiência do sistema; • Criação de tabelas virtuais, que simplificam as consultas ao longo do tempo, e oferecem acessibilidade multi-cliente controlada por utilizadores individuais; Estes recursos tornam os Sistemas de Gestão de Bases de Dados Relacionais amplamente utilizados em todo o mundo. Structured Query Language 20 O SQL, abreviação de Structered Query Language , refere-se a uma linguagem de programação utilizada para gerir dados em Sistemas de Gestão de Bases de Dados Relacionais (SGBDR). Desenvolvida na década de 70, o SQL tornou-se a ferramenta padrão para administradores e programadores de base de dados [63]. Inclui a capacidade de inserir, consultar, atualizar e excluir dados, bem como gerir o esquema de dados (estruturas de base de dados) e controlar o acesso aos dados na base de dados. As operações e consultas em SQL, geralmente, estão sob formas de comandos, escritas como instruções [64]. A versatilidade do SQL tornou-o uma ferramenta essencial não apenas para consultas básicas, como também para tarefas avançadas de gestão e integração de dados. Com capacidades que vão desde consultas analíticas até manipulação de esquemas de dados, o SQL desempenha um papel fundamental em praticamente todas as etapas do ciclo de vida de uma base de dados [65]. De seguida, será descrita uma base de dados atual que se baseia num modelo relacional e será utilizada nesta dissertação. Base de Dados SQLite O SQLite é um mecanismo de base de dados incorporado conhecido pela sua eficiência e ampla gama de recursos. A sua conceção compacta e eficiente, torna-o uma escolha popular numa variedade de aplicações, incluido dispositivos móveis [66,67]. O Android está entre as plataformas mais conhecidas com alta dependência do SQLite, e os navegadores Chrome e Firefox também fazem uso do SQLite para manter objetos da web em armazenamento local [67]. Além disso, dispositivos médicos e ferramentas de saúde também utilizam SQLite para gerir registos de saúde com eficiência e segurança [68,69,70, 71,72]. O uso do SQLite não se limita apenas ao domínio móvel, fabricantes de automóveis autónomos também consideram o SQLite para os seus sistemas de gestão de base de dados em veículos, devido à sua confiabilidade e facilidade de integração [73]. Além das aplicações mencionadas, o SQLite também é amplamente adotado em diversas ferramentas de servidor, como em análises de dados em larga escala e em aplicações de bioinformática de alto desempenho. A sua portabilidade e confiabilidade tornam-no uma escolha popular em datacenters e ambientes de computação distribuída. Na figura 3está ilustrada a aplicabilidade da base de dados SQLite [69,74]. 3.1.2 Web Services - Do início ao domínio do REST Nas últimas três décadas tem-se registado uma proliferação significativa de conjuntos de dados biológicos e de ferramentas para a análise desses dados. Grandes instituições como o Instituto Europeu de 21 Figura 3: Aplicações da base de dados SQLite. Adaptado de [1]. Bioinformática (EBI) e o Centro Nacional de Informação Biotecnológica (NCBI) administram vastos repositórios de dados biológicos e softwares especializados [75]. Um problema central atualmente em bioinformática é a acessibilidade a estes conjuntos de dados sem a necessidade de manter cópias locais [76]. As primeiras abordagens exploraram o potencial da Internet, utilizando soluções peer-to-peer baseadas em grelhas, que envolviam a colaboração e partilha de recursos entre participantes distribuídos numa rede. Embora se tenham revelado eficazes em redes locais, estas abordagens não se mostraram adequadas em escala global, resultando no que ficou conhecido como ‘problema da interoperabilidade’ [77]. A introdução do protocolo HTTP e a popularização da World Wide Web (WEB) na década de 1990 representam um avanço significativo, permitindo interfaces WEB para acesso a dados e ferramentas de bioinformática. No entanto, esta abordagem não resolveu completamente o problema de interoperabilidade, uma vez que, as interfaces eram autónomas e não comunicavam eficientemente entre si [78]. A solução para este problema veio com o uso de Interfaces de Programação de Aplicações (APIs), servidas sobre HTTP, que forneciam respostas facilmente interpretáveis por máquinas. Após breves experiências com diferentes abordagens, tais como o COBRA, o padrão SOAP foi amplamente adotado. SOAP utilizava XML para empacotar chamadas de função e dados, mas era criticado pela sua rigidez e complexidade [79]. 22 OREST, proposto em 2000 por Roy Fielding [80], emergiu como uma alternativa mais simples e eficiente comparado com a abordagem SOAP. Baseado em princípios fundamentais do HTTP, o REST permite solicitações e respostas HTTP, utilizando URL para aceder aos recursos. Ao contrário do SOAP, não requer bibliotecas especializadas para utilizadores, e as respostas são frequentemente formatadas em JSON, proporcionando uma maior flexibilidade e simplicidade. Na década de 2010, REST substituiu amplamente o SOAP nas APIs de bioinformática. A transição para o REST trouxe melhorias significativas em termos de flexibilidade, simplicidade e eficiência das interações entre serviços de bioinformática. Até 2020, o REST tornou-se o estilo dominante para as APIs web de bioinformática, marcando uma evolução significativa na acessibilidade e interoperabilidade desses recursos [81]. Na figura 4é representada, de forma simplificada, uma arquitetura do tipo REST, fornecendo uma visualização clara do funcionamento deste modelo. Figura 4: Esquema simplificado de uma arquitetura Rest. 3.1.3 Node.js O constante avanço da internet nos dias de hoje, desafia muitos sites a enfrentarem novos problemas, como o aumento das solicitações de múltiplos utilizadores e o crescente número de conexões simultâneas. A linguagem de script dinâmica JavaScript tornou-se extremamente popular para utilizadores e é amplamente utilizada no desenvolvimento web [82]. O Node.js é uma plataforma baseada no interpretador V8 JavaScript Engine, implementado pelo Google e desenvolvido essencialmente com C e C++, e foi projetado para construir programas de rede orientados a objetos [83]. Utilizando um modelo de E/S sem bloqueio, o Node.js consegue lidar eficientemente com muitas conexões simultâneas, tornando-se especialmente adequado para aplicações em tempo real e com uso intensivo de dados [82]. Uma das características marcantes do Node.js é a sua capacidade de processar solicitações assíncronas de forma eficaz permitindo que um único thread atenda a um grande número de clientes. Isto contrasta com abordagens tradicionais de programação que podem bloquear a execução do código enquanto aguardam uma resposta, tornando o Node.js mais leve e eficiente em termos de recursos [82]. 23 O Node Package Manager (NPM) desempenha um papel fundamental no ecossistema do Node.js, sendo o maior repositório de pacotes JavaScript disponíveis [84, 85]. Ao permitir a fácil reutilização de código, frequentemente realizada por meio de pacotes de software , o NPM agiliza significativamente o desenvolvimento de produtos e melhora a qualidade do código. Com acesso a mais de 700 mil pacotes Node.js, disponíveis no repositório online e instaláveis através do comando ’npm’, os programadores podem aproveitar uma vasta gama de recursos e funcionalidades prontas para uso [85]. 3.1.4 Bibliotecas React React é uma biblioteca front-end de JavaScript para construção de Interface de Utilizador (IU), inicialmente desenvolvida como uma ferramenta para atender às necessidades internas do Facebook, pelo engenheiro de software Jordan Walke [86]. No entanto, não muito depois da sua criação, em 2013, o Facebook tornou o código do React aberto. Esta biblioteca de renderização foi desenvolvida para proporcionar uma experiência mais dinâmica em sites e tornar o processo de desenvolvimento mais eficiente [87]. Este objetivo é alcançado por meio da utilização de componentes de Interface de Utilizador reutilizáveis, os quais apresentam dados dinâmicos que podem mudar ao longo do tempo ou em resposta à entrada do utilizador. Os componentes de IU reutilizáveis, para além de poderem ser usados novamente em várias partes do código, são também salvos no cache da aplicação para que os componentes não precisem de ser renderizados novamente [88]. A seguir estão listados alguns dos motivos que fazem tantos programadores optar por esta biblioteca: • Facilidade de utilização - por se tratar de uma biblioteca de código aberto, faz com que se trate de uma ferramenta muito simples de ser escrita, compreendida e utilizada; • Reutilização de componentes - aumentando a produtividade dos programadores; • Melhor desempenho com Virtual DOM - O React torna mais eficiente o processo de atualização do DOM, sigla para Document Object Model . Nesse sentido, a utilização do Virtual DOM reduz os problemas que podem surgir no processo de atualização, visto que é uma etapa que apresenta diversas complicações em projetos direcionados para aplicações web . Além disso, a presente ferramenta possibilita a construção de Virtual DOM e de outros elementos na memória. Assim, quando ocorre uma mudança no DOM, a parte virtual modifica instantaneamente. • React Native - funciona como uma biblioteca criada para desenvolver aplicações para dispositivos móveis, os quais podem apresentar a configuração de Android ou iOS [89]. 24 3.2 Metodologia da Prova de Conceito Análise SWOT A análise SWOT passou por várias fases desde a sua conceção. Inicialmente, surgiu na década de 1950 na Harvard Business School, onde o professor George Albert Smith Jr usou a técnica para analisar estudos de caso sobre estratégias organizacionais e o seu impacto no ambiente [90,91,92]. Algumas fontes apontam para Albert Humphrey, do Stanford Research Institute, na década de 1960, como o percursor, utilizando a análise SWOT para analisar empresas da Fortune 500 , que consiste numa lista divulgada, anualmente, com as 500 maiores empresas dos Estados Unidos, com o intuito de desenvolver um novo sistema de gestão e controlo de mudanças [93]. A análise SWOT ganhou destaque em 1963 durante uma conferência sobre política empresarial na HBS, sendo amplamente discutida e considerada um avanço significativo no pensamento estratégico [94,95,96]. Após a década de 1960, a técnica foi adotada por investigadores do planeamento estratégico e foi amplamente reintroduzida na década de 1980 [97,98]. Por sua vez, nos anos 90, a análise SWOT consolidou-se como uma estrutura dominante no campo da gestão estratégica, conforme destacado por [99]. A análise SWOT, sigla proveniente da língua inglesa, cuja ilustração está representada na figura 5, é responsável por avaliar as principais forças ( Strengths ), fraquezas ( Weaknesses ), oportunidades ( Opportunities ) e ameaças ( Threats ). Trata-se de uma ferramenta de estratégia empresarial para avaliar a forma como uma organização se compara com a concorrência [100]. Também conhecida como Matriz SWOT, foi reconhecida como útil para diferenciar e estabelecer um nicho num mercado mais amplo. Além do contexto empresarial, a análise SWOT também pode ser aplicada a nível individual para avaliar a situação de uma pessoa em relação à sua concorrência. A ferramenta inclui considerações internas e externas. As ”forças”e as ”fraquezas”são fatores internos que refletem vantagens ou desvantagens relativamente à concorrência. Por outro lado, as ‘oportunidades’ são elementos externos do ambiente que podem ser explorados em benefício da entidade, enquanto as ‘ameaças’ representam desafios externos que podem dar origem a problemas [101]. A seguir, estão sintetizados os aspetos fundamentas da matriz SWOT: Forças: Dizem respeito às características internas positivas que conferem vantagens competitivas. Desde recursos financeiros robustos até uma equipa altamente qualificada e tecnologia avançada, as for25 O presente caso de estudo centra-se na elaboração de uma plataforma colaborativa de monitorização de análises clínicas, em instituições de saúde, com o objetivo de avaliar o impacto que a utilização de aplicações de análises de dados no âmbito da medicina podem ter, relativamente à melhoria da qualidade de vida dos pacientes. Posto isto, foi então desenvolvido o artefacto, cuja arquitetura se ilustra na figura 6, com o propósito de aprimorar o suporte às decisões dos profissionais de saúde. A plataforma consome dados de uma base de dados que está hospedada num servidor local. Para solicitar essas informações foi criado um web Service em Node.js. O seu funcionamento é bastante simples e inicia-se com o pedido por parte do cliente. Após a conexão à base de dados ser bem-sucedida, é possível realizar as queries, em SQL para que sejam selecionados os dados desejados. Por último, o web Service transforma os dados obtidos no formato JSON e estes são enviados para o cliente. É importante referir que todos os gráficos foram efetuados em Recharts que facilita a construção dos gráficos por ser uma combinação do React com o D3 (biblioteca de visualização de JavaScript). Foram construídos alguns endpoints criteriosamente projetados para atender às necessidades específicas da aplicação desenvolvida. Entre eles, destacam-se dois do tipo ‘Post’, proporcionando a capacidade de submeter dados para a aplicação, enquanto os restantes oito endpoints são do tipo ‘Get’, ou seja, possibilitam a consulta eficiente de informações. A seguir estão apresentados os endpoints usados: Endpoints do tipo ’Post’: ‘/signup’, ‘/login’ Endpoints do tipo ’Get’: ‘/utentes’, ‘/exames/:num_sequencial’, ‘/utentes-por-exame’, ‘/exames-porutente-designacao’, ‘/informacoes-gerais-exames-localidades’, ‘/informacoes-gerais-exames-idades’, ‘/utentes-por-localidade-designacao’, ‘/utentes-por-idade-designacao’ 4.4.1 Nome da aplicação: AnalyticCare O nome da plataforma resulta da união de duas palavas diretamente relacionadas com a mesma. O termo ‘ Analytic ’ reflete um compromisso com a precisão na análise de dados clínicos. A plataforma foi desenvolvida para fornecer análises detalhadas e confiáveis para melhorar a tomada de decisões médicas. O termo ‘ Care ’, que em português significa ‘Cuidado’ foi pensado por estar, diretamente, associado ao setor da saúde e, por outro lado, por todo o cuidado que foi colocado no desenvolvimento da plataforma, onde cada detalhe, foi pensado ao pormenor para que dela resultassem não apenas funcionalidades analíticas avançadas, mas uma ferramenta integral e confiável que se alinha perfeitamente com as necessidades e exigências do ambiente clínico. Cada aspeto da AnalyticCare foi meticulosamente elaborado para garantir não apenas precisão nos dados, mas também uma experiência de usuário fluída e centrada no cuidado, 32 Figura 6: Arquitetura da aplicação web desenvolvida. refletindo assim a dedicação à excelência na monitorização de análises clínicas e na promoção contínua da qualidade nos serviços de saúde. O nome da plataforma ao unir estes dois elementos, simboliza a fusão harmoniosa entre a análise de dados precisa e o compromisso com o cuidado, no âmbito da saúde digital. Na figura 7, está representado o logótipo elaborado para a aplicação e que de forma se destaca na mesma. Figura 7: Logótipo da aplicação web desenvolvida. 4.4.2 Página Sign In e página Logout As páginas de Sign In e Logout desempenham papeis essenciais na segurança, acessibilidade e controlo de utilizadores numa aplicação. São importantes para garantir que apenas pessoas com autorização tenham acesso à aplicação. Create Account e Sign In A primeira página com a qual se depara o médico assim que acede à plataforma, pela primeira vez, é a página de ‘ Create Account ’. Nesta página são-lhe pedidas algumas informações pessoais de forma a ficar registado na plataforma. A partir daqui, sempre que o médico que já efetuou o registo na aplicação se voltar a tentar conectar, só precisa de passar pela página de ‘ Login ’, e inserir o seu email e password, 33 definidos previamente. Na figura 8, estão representadas as duas páginas de acesso à aplicação. Figura 8: Páginas iniciais com sistema de segurança, onde o médico efetua o seu registo na aplicação (esquerda) e, onde insere os seus dados sempre que acede à aplicação (direita). Logout Por sua vez, o botão ‘ logout ’ oferece aos utilizadores a opção de encerrar a sessão na plataforma. Esta funcionalidade é vital para garantir a segurança e a privacidade do profissional de saúde, assim como dos dados dos pacientes. 4.4.3 Página inicial Após concluírem o registo na aplicação, os médicos são direcionados para a página principal da aplicação, que está representada na figura 9. Trata-se do ponto central e é onde os utilizadores têm acesso às principais funcionalidades da plataforma. A seguir, está uma explicação detalhada de todos os elementos presentes. Cabeçalho O cabeçalho, localizado no canto superior da página, exibe o logótipo e o nome da aplicação, o que proporciona uma identidade visual única. Ao lado, encontram-se dois botões que servem como atalhos para aceder a duas páginas específicas. O primeiro botão direciona para a página de tendências por idade, enquanto o segundo orienta para a página de tendências por localidade. Estes atalhos oferecem uma navegação rápida e eficiente para áreas específicas da aplicação e serão abordamos, detalhadamente, no decorrer deste capítulo. Além disso, no canto direito do cabeçalho, encontra-se o botão de 34 Figura 9: Página principal da plataforma que surge após registo na aplicação. logout , permitindo ao utilizador encerrar a sua sessão de forma controlada e garantindo a segurança da sua conta. Tabela principal A tabela principal é o componente central da página, apresentando dados essenciais sobre os pacientes. É possível ordenar a tabela por qualquer coluna, como número sequencial, data de nascimento, sexo e localidade, proporcionando aos utilizadores a flexibilidade de organizar os dados conforme as suas necessidades específicas. Uma funcionalidade crucial da tabela é a inclusão da coluna ‘Ação’, onde cada linha desta coluna é composta por uma ’seta’. Ao clicar nesta ’seta’, o médico é direcionado para outra página que contém informações detalhadas sobre um paciente em específico. É importante referir que, como já foi explicado à priori, cada paciente é identificado por um número sequencial exclusivo, simplificando a identificação e referência. Dada a quantidade significativa de dados, a tabela é dividida em várias páginas, inicialmente exibindo 25 dados por página. No entanto, para acomodar as preferências e necessidades do médico, a opção de modificar a quantidade de linhas exibidas por página é oferecida, permitindo escolher entre 15, 25, 50 e 75 linhas por página. 35 4.4.4 Página de detalhe do paciente A página de detalhe do paciente, destaca-se como uma ferramenta de extrema importância para os médicos, fornecendo insights detalhados e personalizados que desempenham um papel crucial na tomada de decisões clínicas. A sua divisão em três partes distintas, como podemos ver na figura 10, reflete a abordagem meticulosa para oferecer uma visão completa e aprofundada do histórico de saúde do paciente. Figura 10: Página de detalhe do paciente. Detalhes do paciente No canto superior esquerdo da página, encontra-se um espaço dedicado a reunir todas as informações gerais do paciente, incluindo detalhes essenciais como o número sequencial, data de nascimento, sexo, localidade do paciente e histórico de análises clínicas, tais como o número de designações que foram realizadas pelo paciente, ao longo do tempo e também valores críticos para o paciente. Esta última parte é uma das mais cruciais da plataforma, visto servir como um alerta assim que o médico abre a página de detalhe do paciente. Refere-se ao número de designações cujos valores estão fora dos limites recomendados, podendo demonstrar algum risco para o paciente e, consequentemente, indicar que precisa de algum tipo de vigilância. Esta visão abrangente é fundamental para compreender o contexto médico do paciente de forma rápida e eficaz e pode analisar-se com mais pormenor, na figura 11. Número total de designações realizadas pelo paciente Através de um gráfico de barras, com o aspeto do presente na figura 12, o médico tem um resumo do número total de exames realizados pelo paciente que está a estudar e, ao passar o rato por cima 36 Figura 11: Informações cruciais do paciente. de cada exame, o profissional de saúde tem informações sobre as designações realizadas, em cada exame. Ou seja, considerando este exemplo, o gráfico é constituído por três barras, sendo que cada barra indica um exame realizado num certo dia, e as diferentes cores ao longo da barra representam diferentes designações. Esta representação gráfica oferece um resumo eficaz do histórico de exames do paciente, fornecendo ao médico informações sobre a frequência das análises realizadas. Ao ter uma visão clara do número total de designações realizadas, o médico pode comunicar com o paciente sobre o histórico de exames. Isto facilita a discussão sobre os resultados, estratégias de tratamento e a importância da continuidade no acompanhamento médico. 4.4.5 Tabela de exames do paciente A terceira parte da página de detalhe do paciente, consiste numa tabela visualmente semelhante à da página anterior, exibindo todos os exames específicos do paciente que está a ser estudado, realizados até ao momento da consulta do médico. Esta tabela inclui colunas essenciais, tais como: designação, data de exame, episódio, limite, unidade, valor das análises e valor crítico. É importante referir que, tal como na tabela da página principal, todas as colunas podem ser ordenadas, conforme as necessidades do médico. Além disso, destaca-se o indicador visual de valor crítico, representado por uma bola vermelha caso o valor da designação à qual se refere estiver fora dos limites tabelados e verde se os valores estiverem dentro dos parâmetros esperados.Existe também um botão de ‘Ação’ que direciona o médico para outra página, onde é possível ter acesso à tendência deste paciente, ao longo do tempo, ou seja, é possível comparar os valores de uma designação realizada num determinado dia com os valores da mesma designação realizados noutros dias. 37 Figura 12: Quantidade de designações analisadas, ao longo dos exames realizados pelo paciente. Evolução dos valores de cada designação, ao longo do tempo Seguindo o raciocínio anterior, ao clicar no botão de ‘Ação’ o médico é direcionado para uma página exclusiva que apresenta um novo gráfico de barras. Na figura 13, está representado um gráfico referente aos valores dos ’leucócitos’, ao longo de três exames, para um certo paciente, e é um exemplo do que o utilizador da AnalyticCare pode observar. Este gráfico oferece uma perspetiva detalhada das variações nos valores de uma mesma designação ao longo do tempo, concentrando-se numa única análise. Este gráfico combina todos os valores associados à designação em questão, obtidos em diferentes exames realizados pelo paciente. Desta forma, o médico pode examinar de maneira abrangente como os resultados desta designação evoluíram ao longo de diferentes exames, proporcionando insights valiosos para a análise clínica. Esta funcionalidade facilita o acompanhamento contínuo do paciente ao longo do tempo, 38 permitindo ao médico analisar e comparar variações nos resultados das análises. Esta abordagem auxilia também na tomada de decisões informadas e permite ao profissional de saúde um tratamento mais adequado e preciso ao paciente. Para além disso, no gráfico está também indicado o limite esperado para os resultados da designação em específico. A seguir são apresentados alguns exemplos de cenários possíveis, com o objetivo de ilustrar a importância do gráfico no estudo das análises clínicas: •Monitorização eficaz do tratamento: Um paciente está em tratamento para uma condição específica e realiza análises regulares. O gráfico permite ao médico observar se os valores da designação relacionada à condição estão a progredir conforme o esperado. Se os resultados indicarem uma melhoria ao longo do tempo, isso sugere que o tratamento está a ser eficaz. No entanto, caso os resultados mostrem uma estagnação ou piora, isso pode indicar a necessidade de ajustar a terapia atual, considerar intervenções adicionais ou reavaliar o plano de tratamento em conjunto com o paciente. •Contextualização de valores fora do normal: Um paciente apresenta valores fora dos limites considerados normais para uma determinada análise. O gráfico possibilita ao médico comparar esses valores com outras designações ao longo dos exames. Se outros resultados estiverem consistentes e explicáveis, isso pode indicar que esses valores atípicos são normais para aquele paciente em específico, fornecendo uma visão mais abrangente da sua saúde. •Monitorização a longo prazo: Ao estudar o gráfico, o médico pode identificar tendências a longo prazo nas análises de um paciente. Isto é especialmente útil para condições crónicas. Se houver flutuações consistentes em certas designações ao longo dos exames, o médico pode ajustar o plano de tratamento conforme necessário. Ao recorrer a estes gráficos para verificar de que forma variam os valores das designações analisadas, o médico pode concluir o que é mais indicado para cada paciente. O profissional de saúde pode depararse com vários cenários e é sempre importante ter em consideração os valores de outras designações, para conseguir retirar as melhores conclusões. 4.4.6 Página de tendência por idade Esta página exibe um gráfico com a tendência por idade e é de extrema importância para os médicos, proporcionando uma ferramenta valiosa para a análise aprofundada das análises clínicas. Nesta página, representada na figura 14, o médico pode selecionar a faixa etária desejada, com intervalos de 5 anos e, 39 Figura 13: Variação de todos os valores de certa designação, realizados em três exames distintos. escolher uma designação específica para a análise, com base no que está a estudar. Ao permitir que o médico escolha a faixa etária juntamente com a designação de interesse, a plataforma possibilita a identificação de padrões, tendências e variações nos resultados. Desta forma, o profissional de saúde pode tirar conclusões acerca do paciente que está a analisar em detalhe e perceber se os valores dele para determinada designação são muito díspares quando comparados com os valores de outros pacientes, da mesma faixa etária, ou se seguem a tendência global. O médico pode também servir-se desta ferramenta para personalizar tratamentos, antecipar tendências associadas a faixas etárias específicas, por exemplo, ajuda na identificação precoce de padrões, e ajustar estratégias de cuidados de saúde conforme necessário. Na figura 14 verificam-se alguns valores significativamente mais elevados em comparação com o restante dos valores. Estes valores destacados podem ser indicativos de pacientes com resultados anormais, possivelmente relacionados a condições de saúde específicas que estão a ser tratadas. A capacidade do médico de selecionar uma faixa etária específica e uma designação para análise permite um estudo mais preciso destes casos. É importante ressaltar que, embora estes valores se destaquem, é crucial considerar cuidadosamente o contexto clínico dos pacientes, pois podem representar tanto condições específicas quanto características normais para esses pacientes. 40 Figura 14: Tendência por idade. 4.4.7 Página de tendência por localidade À semelhança da página anterior, esta refere-se à tendência por localidade e está representada na figura 15. É igualmente crucial para uma análise bem fundamentada para os profissionais de saúde, ajudando a tirar conclusões com base na localização geográfica dos pacientes. Nesta página, o médico pode escolher uma localidade específica e uma designação, com base no que está a analisar. Esta funcionalidade, ao gerar um gráfico onde estão reunidos todos os valores para a designação selecionada, provenientes de pessoas da mesma localidade, permite ao utilizador entender variações geográficas nos resultados e identificar possíveis correlações entre a localização dos pacientes e os valores das análises. Esta tendência revela-se muito importante porque pode identificar problemas em comum com vários pacientes da mesma localidade, por exemplo, algum problema devido à ingestão de algum alimento contaminado, produzido e consumido na zona em específico. Assim, com este gráfico é fácil decifrar quais as análises que sofreram alterações e permite aos profissionais de saúde agir rápido com toda a população. Além disso, o gráfico de tendência por localidade pode ser especialmente valioso ao investigar surtos de doenças específicas numa determinada região. Por exemplo, se houver um aumento repentino nos valores de certas análises clínicas em pacientes de uma localidade específica, isso pode indicar a presença de um surto de doença contagiosa. A capacidade de visualizar rapidamente essas variações geográficas permite aos profissionais de saúde tomar medidas preventivas, implementar estratégias de saúde pública 41 cilitando comparações entre diferentes sistemas. Explorar benefícios da adoção de códigos LOINC pode proporcionar uma estrutura mais robusta e padronizada para a representação das análises clínicas na plataforma. Assim, com as designações a serem interpretadas por códigos, será possível eliminar possíveis ambiguidades associadas a erros ortográficos, simplificando o manuseio e interpretação dos dados. Esta abordagem não apenas aprimora a precisão das análises, como também reduz a complexidade do processamento inicial das informações. Antecipando um possível aumento significativo de dados, uma consideração importante é a substituição da base de dados SQLite por soluções mais robustas, como Oracle SQL ou outras que possam gerir volumes substanciais de informações. Avaliar a escalabilidade da infraestrutura da base de dados é crucial para garantir o desempenho contínuo da aplicação à medida que o número de utilizadores e dados cresce. Ao direcionar esforços para estas áreas, a plataforma tem o potencial de se tornar uma ferramenta ainda mais valiosa na monitorização de análises clínicas, contribuindo efetivamente para aprimorar a qualidade dos cuidados de saúde prestados aos pacientes. 48 Bibliografia [1] Eunji Lee. Taming performance variability of healthcare data service frameworks with proactive and coarse-grained memory cleaning. International journal of environmental research and public health , 16(17):3096, 2019. [2] Vitaly Herasevich, Murat Yilmaz, Hasrat Khan, Rolf D Hubmayr, and Ognjen Gajic. Validation of an electronic surveillance system for acute lung injury. Intensive care medicine , 35(6):1018–1023, 2009. [3] Marie Egan. Clinical dashboards: impact on workflow, care quality, and patient safety. Critical care nursing quarterly , 29(4):354–361, 2006. [4] Tomas Hambili Paulo Sanjuluca, Anabela Antunes de Almeida, and Ricardo Cruz-Correia. Assessing the use of hospital information systems (his) to support decision-making: A cross-sectional study in public hospitals in the huíla health region of southern angola. In Healthcare , volume 10, page 1267. MDPI, 2022. [5] Main Naser Alolayyan, Mohammad S Alyahya, Abdallah Hasan Alalawin, Aftab Shoukat, and Farid T Nusairat. Health information technology and hospital performance the role of health information quality in teaching hospitals. Heliyon , 6(10), 2020. [6] Jahanpour Alipour, Afsaneh Karimi, Saeid Ebrahimi, Fatemeh Ansari, and Yousef Mehdipour. Success or failure of hospital information systems of public hospitals affiliated with zahedan university of medical sciences: A cross sectional study in the southeast of iran. International journal of medical informatics , 108:49–54, 2017. [7] Jahanpour Alipour, Yousef Mehdipour, and Pezhman Sheibani-Nasab. Evaluation of hospital information systems data quality in educational hospitals of zahedan university of medical sciences form users’ perspective. Journal of Modern Medical Information Sciences , 5(1):3–11, 2019. 49 [8] Mehdi Kahouei and Zainab Abbasi. The prioritization of effective factors on electronic health information security in medical centers. ��� ���� ����� ��� ��� �� � ���� ��������� �� .���� , page 170, 2015. [9] Faezeh Abbasi, Reza Khajouei, and Moghaddameh Mirzaee. The efficiency and effectiveness of surgery information systems in iran. BMC medical informatics and decision making , 20(1):1–8, 2020. [10] Jahanpour Alipour, Yousef Mehdipour, Afsaneh Karimi, Mohadeseh Khorashadizadeh, and Maryam Akbarpour. Security, confidentiality, privacy and patient safety in the hospital information systems from the users’ perspective: A cross-sectional study. International Journal of Medical Informatics , 175:105066, 2023. [11] Maslin Masrom and Ailar Rahimly. Overview of data security issues in hospital information systems. Pacific Asia Journal of the Association for Information Systems , 7(4):5, 2015. [12] Mehraeen Esmaeel, Ahmadi Maryam, Shajarat Maedeh, and Khoshgam Masumeh. Assessment of hospital information system in selected hospitals in tehran. Payavard Salamat , 6(6), 2013. [13] Mehmet Saluvan and Al Ozonoff. Functionality of hospital information systems: results from a survey of quality directors at turkish hospitals. BMC medical informatics and decision making , 18:1–12, 2018. [14] Valéria Alexandra Mendes Garcia. Sistemas de informação em saúde. [15] Khilda Nistrina and ATB Bon. Information security for hospital information system using cobit 5 framework. In Proceedings of the International Conference on Industrial Engineering and Operations Management, Bangkok , 2019. [16] Runtong Zhang, Donghua Chen, Xiaopu Shang, Xiaomin Zhu, and Kecheng Liu. A knowledgeconstrained access control model for protecting patient privacy in hospital information systems. IEEE journal of biomedical and health informatics , 22(3):904–911, 2017. [17] Kiwamu Nagoshi, Takashi Watari, and Yasushi Matsumura. Prospects of hospital information systems and patient safety in japan. Healthcare Informatics Research , 28(2):105–111, 2022. [18] Maggi Banning. A review of clinical decision making: models and current research. Journal of clinical nursing , 17(2):187–195, 2008. 50 [19] Doug Laney et al. 3d data management: Controlling data volume, velocity and variety. META group research note , 6(70):1, 2001. [20] Junghee Jo and Kang-Woo Lee. Mapreduce-based d_elt framework to address the challenges of geospatial big data. ISPRS International Journal of Geo-Information , 8(11):475, 2019. [21] Karthik Cottur and Veena Gadad. Design and development of data pipelines. Int. Res. J. Eng. Technol.(IRJET) l0l0 , 7:2715–2718, 2020. [22] Athira Nambiar and Divyansh Mundra. An overview of data warehouse and data lake in modern enterprise data management. Big Data and Cognitive Computing , 6(4):132, 2022. [23] William H Inmon. Building the data warehouse . John wiley & sons, 2005. [24] Pravin Chandra and Manoj K Gupta. Comprehensive survey on data warehousing research. International Journal of Information Technology , 10(2):217–224, 2018. [25] Dora Simões. Enterprise data warehouses: A conceptual framework for a successful implementation. In Canadian Council for Small Business & Entrepreneurship Annual Conference (CCSBE 2010). Calgary, Canada , 2010. [26] Mutaz M Al-Debei. Data warehouse as a backbone for business intelligence: Issues and challenges. European Journal of Economics, Finance and Administrative Sciences , 33(1):153–166, 2011. [27] Rihan Hai, Christoph Quix, and Matthias Jarke. Data lake concept and systems: a survey. arXiv preprint arXiv:2106.09592 , 2021. [28] Elisabeta Zagan and Mirela Danubianu. Data lake approaches: A survey. In 2020 International Conference on Development and Application Systems (DAS) , pages 189–193. IEEE, 2020. [29] Mohamed Cherradi and Anass EL Haddadi. Data lakes: A survey paper. In Innovations in Smart Cities Applications Volume 5: The Proceedings of the 6th International Conference on Smart City Applications , pages 823–835. Springer, 2022. [30] James Dixon. Pentaho, hadoop, and data lakes. blog, Oct , 2010. [31] Asma Dhaouadi, Khadija Bousselmi, Mohamed Mohsen Gammoudi, Sébastien Monnet, and Slimane Hammoudi. Data warehousing process modeling from classical approaches to new trends: Main features and comparisons. Data , 7(8):113, 2022. 51 [32] Panos Vassiliadis. Data warehouse modeling and quality issues. National Technical University of Athens Zographou, Athens, GREECE , 2000. [33] Kamal Kakish and Theresa A Kraft. Etl evolution for real-time data warehousing. In Proceedings of the Conference on Information Systems Applied Research ISSN , volume 2167, page 1508, 2012. [34] Ralph Kimball, Margy Ross, Warren Thorthwaite, Bob Becker, and Joy Mundy. The data warehouse lifecycle toolkit . John Wiley & Sons, 2008. [35] Juan Trujillo and Sergio Luján-Mora. A uml based approach for modeling etl processes in data warehouses. In Conceptual Modeling-ER 2003: 22nd International Conference on Conceptual Modeling, Chicago, IL, USA, October 13-16, 2003. Proceedings 22 , pages 307–320. Springer, 2003. [36] Jaiteg Singh. Etl methodologies, limitations and framework for the selection and development of an etl tool. Int. J. Res. Eng. Appl. Sci , 6:108–112, 2016. [37] Lilia Munoz, Jose-Norberto Mazon, and Juan Trujillo. Systematic review and comparison of modeling etl processes in data warehouse. In 5th Iberian Conference on Information Systems and Technologies , pages 1–6. IEEE, 2010. [38] Gautam Ray, Waleed A Muhanna, and Jay B Barney. Information technology and the performance of the customer service process: A resource-based analysis. MIS quarterly , pages 625–652, 2005. [39] Enabling Collaborative Care and Fulfilling Healthcare Reform. The promise of mobile technology. [40] Neda Tavassoli, Philipe de Souto Barreto, Caroline Berbon, Celine Mathieu, Justine de Kerimel, Christine Lafont, Catherine Takeda, Isabelle Carrie, Antoine Piau, Tania Jouffrey, et al. Implementation of the who integrated care for older people (icope) programme in clinical practice: a prospective study. The Lancet Healthy Longevity , 3(6):e394–e404, 2022. [41] Michael N Cantor and Lorna Thorpe. Integrating data on social determinants of health into electronic health records. Health Affairs , 37(4):585–590, 2018. [42] Ou Stella Liang, Jeanne S Sheffield, and Casey Overby Taylor. Detecting patterns of prescription drug use during pregnancy and lactation with visualization techniques. AMIA Summits on Translational Science Proceedings , 2019:478, 2019. 52 [43] Yichuan Wang, LeeAnn Kung, William Yu Chung Wang, and Casey G Cegielski. An integrated big data analytics-enabled transformation model: Application to health care. Information & Management , 55(1):64–79, 2018. [44] KA Narayan and M Siva Durga Prasad Nayak. Need for interactive data visualization in public health practice: examples from india. International Journal of Preventive Medicine , 12, 2021. [45] Venketesh Palanisamy and Ramkumar Thirunavukarasu. Implications of big data analytics in developing healthcare frameworks–a review. Journal of King Saud University-Computer and Information Sciences , 31(4):415–425, 2019. [46] Alfredo Vellido. The importance of interpretability and visualization in machine learning for applications in medicine and health care. Neural computing and applications , 32(24):18069–18083, 2020. [47] Christos Chatzakis, Dimitris Floros, Anastasios Liberis, Aggeliki Gerede, Konstantinos Dinas, Nikos Pitsianis, and Alexandros Sotiriadis. Stork: Collaborative online monitoring of pregnancies complicated with gestational diabetes mellitus. In Healthcare , volume 10, page 653. MDPI, 2022. [48] Miguel Pestana, Ruben Pereira, and Sérgio Moro. Improving health care management in hospitals through a productivity dashboard. Journal of Medical Systems , 44:1–19, 2020. [49] Katerina A Jones, Frank D Steyn, and Lorraine S Wallace. A longitudinal descriptive assessment of us college covid-19 dashboards. Journal of American College Health , pages 1–7, 2022. [50] Jack Weiner, Venugopal Balijepally, and Mohan Tanniru. Integrating strategic and operational decision making using data-driven dashboards: the case of st. joseph mercy oakland hospital. Journal of Healthcare Management , 60(5):319–330, 2015. [51] Aoyu Wu, Yun Wang, Mengyu Zhou, Xinyi He, Haidong Zhang, Huamin Qu, and Dongmei Zhang. Multivision: Designing analytical dashboards with deep learning based recommendation. IEEE Transactions on Visualization and Computer Graphics , 28(1):162–172, 2021. [52] Sabyasachi Dash, Sushil Kumar Shakyawar, Mohit Sharma, and Sandeep Kaushik. Big data in healthcare: management, analysis and future prospects. Journal of Big Data , 6(1):1–25, 2019. [53] Su Myat Thaung, Hla Myo Tun, Khin Kyu Kyu Win, Myint Myint Than, and Aye Su Su Phyo. Exploratory data analysis based on remote health care monitoring system by using iot. Communications , 8(1):1–8, 2020. 53 [54] A Lohachab. Research anthology on big data analytics, architectures, and applications. [55] Meghan Reading Turchioe, Annie Myers, Samuel Isaac, Dawon Baik, Lisa V Grossman, Jessica S Ancker, and Ruth Masterson Creber. A systematic review of patient-facing visualizations of personal health data. Applied clinical informatics , 10(04):751–770, 2019. [56] SA Senthilkumar, Bharatendara K Rai, Amruta A Meshram, Angappa Gunasekaran, and S Chandrakumarmangalam. Big data in healthcare management: a review of literature. American Journal of Theoretical and Applied Business , 4(2):57–69, 2018. [57] Joana Muchagata and Ana Ferreira. How can visualization affect security? In ICEIS (2) , pages 503–510, 2018. [58] Cornelia Győrödi, Robert Győrödi, Alexandra �tefan, and Livia Bandici. A comparative study of databases with different methods of internal data management. Database , 7(4), 2016. [59] Hui Lv, Yonglin Yu, Tan Shu, Dexiu Huang, Shan Jiang, and Liam P Barry. Photonic generation of ultra-wideband signals by direct current modulation on soa section of an soa-integrated sgdbr laser. Optics Express , 18(7):7219–7227, 2010. [60] Edgar F Codd. A relational model of data for large shared data banks. Communications of the ACM , 13(6):377–387, 1970. [61] Bárbara Martins, Diana Ferreira, Cristiana Neto, António Abelha, and José Machado. Data mining for cardiovascular disease prediction. Journal of Medical Systems , 45:1–8, 2021. [62] Mohammad A Hassan. Relational and nosql databases: The appropriate database model choice. In 2021 22nd International Arab Conference on Information Technology (ACIT) , pages 1–6. IEEE, 2021. [63] Jing Han, Meina Song, and Junde Song. A novel solution of distributed memory nosql database for cloud computing. In 2011 10th IEEE/ACIS International Conference on Computer and Information Science , pages 351–355. IEEE, 2011. [64] Bogdan George Tudorica and Cristian Bucur. A comparison between several nosql databases with comments and notes. In 2011 RoEduNet international conference 10th edition: Networking in education and research , pages 1–5. IEEE, 2011. 54 [65] Ahsan Malik, Aqil Burney, and Fawad Ahmed. A comparative study of unstructured data with sql and no-sql database management systems. Journal of Computer and Communications , 8(4):59–71, 2020. [66] Dam Quang Tuan, Seungyong Cheon, and Youjip Won. On the io characteristics of the sqlite transactions. In Proceedings of the International Conference on Mobile Software Engineering and Systems , pages 214–224, 2016. [67] Hyojun Kim, Nitin Agrawal, and Cristian Ungureanu. Revisiting storage for smartphones. ACM Transactions on Storage (TOS) , 8(4):1–25, 2012. [68] Yaoming Chen, Wei Shen, Hongwei Huo, and Youzhi Xu. A smart gateway for health care system using wireless sensor network. In 2010 Fourth International Conference on Sensor Technologies and Applications , pages 545–550. IEEE, 2010. [69] Charalampos Doukas, Thomas Pliakas, and Ilias Maglogiannis. Mobile healthcare information management utilizing cloud computing and android os. In 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology , pages 1037–1040. IEEE, 2010. [70] Vikas Vik Kumar. Healthcare analytics made simple: techniques in healthcare computing using machine learning and Python . Packt Publishing Ltd, 2018. [71] Leire Lopez-Samaniego and Begonya Garcia-Zapirain. A robot-based tool for physical and cognitive rehabilitation of elderly people using biofeedback. International journal of environmental research and public health , 13(12):1176, 2016. [72] Paschou Mersini, Evangelos Sakkopoulos, and Athanasios Tsakalidis. Appification of hospital healthcare and data management using qrcodes. In IISA 2013 , pages 1–6. IEEE, 2013. [73] Joontaek Oh and Youjip Won. Embedded dbms design for in-vehicle information management. In 2018 IEEE 7th Non-Volatile Memory Systems and Applications Symposium (NVMSA) , pages 111– 112. IEEE, 2018. [74] Rakesh Kumar, Neha Gupta, Shilpi Charu, Kanishk Jain, and Sunil Kumar Jangir. Open source solution for cloud computing platform using openstack. International Journal of Computer Science and Mobile Computing , 3(5):89–98, 2014. 55 [75] Sam M Ireland and Andrew CR Martin. Graphql for the delivery of bioinformatics web apis and application to zincbind. Bioinformatics Advances , 1(1):vbab023, 2021. [76] Lincoln Stein. Creating a bioinformatics nation. Nature , 417(6885):119–120, 2002. [77] Pieter BT Neerincx and Jack AM Leunissen. Evolution of web services in bioinformatics. Briefings in bioinformatics , 6(2):178–188, 2005. [78] Cristiana Neto, Maria Brito, Vítor Lopes, Hugo Peixoto, António Abelha, and José Machado. Application of data mining for the prediction of mortality and occurrence of complications for gastric cancer patients. Entropy , 21(12):1163, 2019. [79] Regina Sousa, Rui Miranda, Ailton Moreira, Carlos Alves, Nicolas Lori, and José Machado. Software tools for conducting real-time information processing and visualization in industry: An up-to-date review. Applied Sciences , 11(11):4800, 2021. [80] Roy Thomas Fielding. Architectural styles and the design of network-based software architectures . University of California, Irvine, 2000. [81] Cristiana Neto, Fábio Senra, Jaime Leite, Nuno Rei, Rui Rodrigues, Diana Ferreira, and José Machado. Different scenarios for the prediction of hospital readmission of diabetic patients. Journal of Medical Systems , 45:1–9, 2021. [82] Kai Lei, Yining Ma, and Zhi Tan. Performance comparison and evaluation of web development technologies in php, python, and node. js. In 2014 IEEE 17th international conference on computational science and engineering , pages 661–668. IEEE, 2014. [83] Lionel Nkenyereye and Jong-Wook Jang. Performance evaluation of server-side javascript for healthcare hub server in remote healthcare monitoring system. Procedia Computer Science , 98:382–387, 2016. [84] Erik Wittern, Philippe Suter, and Shriram Rajagopalan. A look at the dynamics of the javascript package ecosystem. In Proceedings of the 13th International Conference on Mining Software Repositories , pages 351–361, 2016. [85] Ahmad Abdellatif, Yi Zeng, Mohamed Elshafei, Emad Shihab, and Weiyi Shang. Simplifying the search of npm packages. Information and Software Technology , 126:106365, 2020. [86] Joel Vainikka. Full-stack web development using django rest framework and react. 2018. 56 [87] Carlos Santana Roldán. React Design Patterns and Best Practices: Design, build and deploy production-ready web applications using standard industry practices . Packt Publishing Ltd, 2019. [88] Sanchit Aggarwal et al. Modern web-development using reactjs. International Journal of Recent Research Aspects , 5(1):133–137, 2018. [89] Marisa Esteves, Márcia Esteves, António Abelha, and José Machado. A proof of concept of a business intelligence platform to support the decision-making process of health professionals in waiting lists. In Research Anthology on Decision Support Systems and Decision Management in Healthcare, Business, and Engineering , pages 1015–1034. IGI Global, 2021. [90] Radha Balamuralikrishna and John C Dugger. Swot analysis–a management tool for initiating new programs in vocational schools. Journal of Vocational and Technical Education , 12(1):36–41, 1995. [91] Otto H Chang and Chee W Chow. The balanced scorecard: A potential tool for supporting change and continuous improvement in accounting education. Issues in Accounting Education , 14(3):395– 412, 1999. [92] Thomas J Chermack and Bernadette K Kasshanna. The use and misuse of swot analysis and implications for hrd professionals. Human Resource Development International , 10(4):383–399, 2007. [93] Dag Øivind Madsen. Swot analysis: a management fashion perspective. International Journal of Business Research , 16(1):39–56, 2016. [94] T Hill and R Westbrook. Swot analysis: It’s time for a product recall, long range planning, 30 (1): 46-52 https://doi. org/10.1016. S0024-6301 (96) , pages 00095–7, 1997. [95] Rod Kuhn King. Enhancing swot analysis using triz and the bipolar conflict graph: a case study on the microsoft corporation. Proceedings of TRIZCON2004, 6th Annual Altshuller Institute , pages 25–27, 2004. [96] George Panagiotou. Bringing swot into focus. Business strategy review , 14(2):8–10, 2003. [97] Ali Hadighi and Iraj Mahdavi. A new model for strategy formulation using mahalanobis-taguchi system and clustering algorithm. 2011. [98] Birger Wernerfelt. A resource-based view of the firm. Strategic management journal , 5(2):171–180, 1984. 57