Ementa P2P

1. Introdução
Essa não é uma ementa qualquer. Não estará escrita aqui uma lista de conteúdos para constar, sem qualquer subsídio teórico
educacional. Não. Quando se trata de teoria educacional, decidir e definir os objetivos de aprendizagem significa estruturar, de
forma consciente, o processo educacional, de modo a oportunizar mudanças de pensamentos, ações e condutas.

Do ponto de vista dos discentes, nos quais todo o ensino deve ser centrado, tal planejamento é fundamental, pois fica
substancialmente mais fácil atingir determinado nível de desenvolvimento quando é exatamente claro o que deles é esperado
durante e após o processo de ensino. No entanto, para muitos docentes tal etapa de planejamento educacional ainda soa
estranha, difícil ou mesmo descartável, de modo que muitos ainda a fazem de modo inconsciente e assistemático.

É neste contexto que a Taxonomia de Bloom, um dos instrumentos existentes a tratar desse tema, pode vir a facilitar o
planejamento, organização e controle dos objetivos de aprendizagem. Da mesma forma que ocorre em outras ciências, a
classificação, denominação e organização de um sistema pré-determinado, oferece base para melhor entendimento de um
fenômeno em estudo, como é, para a educação, o processo educacional. Uma vez modelado, é perceptível que dentro desse
processo se conjugam vários elementos que, do ponto de vista do educador, cabe sinergizar, como a metodologia de ensino e a
metodologia de avaliação.

No entanto, antes de todas essas escolhas deve preceder a estruturação primeira do objetivo educacional, sob o qual todos os
outros elementos se assentam. Sobre isso, a Taxonomia de Bloom Revisada dispõe que os objetivos têm um caráter bidimensional:
a parte substantiva, que declara o que é esperado que os discentes aprendam; e parte verbal, que declara como é que os
discentes irão aprender e, de forma coerente, em que nível de profundidade é esperado que aprendam.

[Link]
Nesses termos, os verbos carregam em si a significância do domínio em que o processo educacional ocorrerá: Domínio Cognitivo,
relacionado ao aprender intelectual; Domínio Psicomotor, relacionado ao aprender de habilidades; ou Domínio Afetivo, relacionado
ao aprender de comportamentos e posturas.

E, para além disso, os verbos carregam também o nível, dentro de cada um desses domínios, em que o aprendizado deverá
chegar, a exemplo da crescente profundidade que ocorre, no domínio cognitivo, desde o Relembrar até Criar.

Para melhor entendimento desses elementos, veja a tabela abaixo.

Uma vez entendida a lógica bidimensional dos Objetivos Educacionais, torna-se mais fácil desenhar e compreender os objetivos
de forma lógica e sistemática. Será através dessa estrutura que você verá descritos os conteúdos programáticos, cada qual
associado a um domínio de aprendizado com seu respectivo nível de profundidade.

[Link]
2. Objetivo do Curso:

Antes de nos debruçarmos sobre os objetivos específicos de cada aula, cabe dizer sobre o objetivo geral do curso como
um todo. Seu objetivo é, pois, oferecer uma especialização precisa para profissionais da saúde, criado por e para esse público.
Ele se propõe a ser uma jornada educacional que parte dos fundamentos até conteúdos avançados, com uma forte ênfase em
projetos práticos.

A transformação da saúde por meio dos dados é inevitável, e é crucial que profissionais competentes estejam à frente
deste movimento, direcionando-o adequadamente. Assim, o curso visa desenvolver um raciocínio analítico abrangente e versátil,
capacitando enfermeiros, psicólogos, médicos e outros profissionais da saúde a conduzirem suas próprias análises de dados. Este
treinamento é desenhado para que utilizem qualquer ferramenta, sem se limitar a uma específica, para realizar análises profundas
e variadas—desde descrições básicas até as mais sofisticadas —aplicáveis em múltiplos contextos da saúde e para diversos fins,
sejam eles acadêmicos, profissionais ou empreendedores.

[Link]
3. Conteúdo Programático - Nível Explorer

Módulo 01 - Dados em saúde, como são?

Aula 01 - Dados, como adquirir?

Tópicos Domínio Nível Objetivo educacional

Maneiras de aquisição Cognitivo 2 Contrastar os tipos de aquisição de dados

de dados

Aquisição passiva e ativa Cognitivo 2 Diferenciar a aquisição passiva da aquisição ativa

Dados primários e Cognitivo 2 Diferenciar dados primários de dados secundários

secundários

Problemas da Aquisição Cognitivo 2 Perceber os problemas de aquisição de dados que podem

de dados ocorrer

Planejamento de coleta Cognitivo 2 Generalizar uma forma de planejar coleta de dados

de dados

Boas práticas de design Cognitivo 4 Analisar as boas práticas de design de criação de formulários de

[Link]
 input de dados

Boas práticas científicas Cognitivo 4 Analisar as boas práticas científicas de criação de formulários de
input de dados

Features interessantes Cognitivo 4 Analisar features importantes para form builders

para form builders

Mudanças de formulários Cognitivo 4 Lidar com alterações de estrutura de fichas e questionários

de input

Validação de campo Cognitivo 4 Analisar o padrão regex de validação

Aula 02 - Dados, de que jeito eles são?

Tópicos Domínio Nível Objetivo educacional

Estrutura de dados Cognitivo 2 Perceber como é a estrutura dos dados

Tipologia de dados Cognitivo 2 Perceber quais são as tipologias dos dados

Categoria de tipo de Cognitivo 2 Perceber quais são as categorias de dados

dados

[Link]
 Classificar tipos de Psicomotor 2 Reproduzir classificações dos dados
dados

Restrições Cognitivo 2 Perceber quais são as tipologias dos dados

Dicionário de dados ou Cognitivo 2 Utilizar conceitos para verificar como é um dicionário de dados ou
DrD DrD

HL7 FHIR Cognitivo 2 Reconhecer a elegância dos recursos FHIR para considerar sua
utilização

Code Systems Cognitivo 2 Utilizar code system como dados de referência

Metadados Cognitivo 2 Entender a importância dos metadados para o entendimento dos

dados

Módulo 02 - Dados em saúde, onde colocar?

Aula 01 - Dados, onde colocar?

Tópicos Domínio Nível Objetivo educacional

[Link]
 Armazenamento de Cognitivo 2 Generalizar a ideia de armazenamento de dados
dados

Banco de dados Cognitivo 2 Diferenciar o conceito de banco de dados

Sistemas Gerenciadores Cognitivo 2 Reconhecer os diferentes sistemas existentes para gerenciamento

de Banco de Dados de banco de dados

Arquiteturas e Cognitivo 2 Diferenciar as diferentes arquiteturas de governança de

Governança de armazenamento de dados: Data warehouse, Data Lake, Data Mart,
armazenamento de etc
dados

Maturidade de dados Cognitivo 2 Associar os diferentes níveis de maturidade instituicional

Aula 02 - Banco de dados relacionais, como pensar tabularmente?

Tópicos Domínio Nível Objetivo educacional

Conceitos básicos Cognitivo 2 Articular os diferentes conceitos sobre tabelas, como entidade,
atributos, chaves, cardinalidade

Tipos de Tabelas Cognitivo 2 Compreender os tipos de tabela, como tabela fato e dimensão

[Link]
 Tabelas Dimensão Cognitivo 2 Diferenciar os conceitos envolvidos com tabelas dimensão, como
hierarquia das dimensões, dimensões genéricas, dimensões
conformadas, dimensões degeneradas, slowly changing
dimensions

Tabelas Fato Cognitivo 2 Diferenciar os conceitos envolvidos com tabelas fato como fatos
aditivos, fatos semi-aditivos, fatos não aditivos, granularidade,
factless fact tables

Chaves de tabelas Cognitivo 2 Diferenciar os conceitos envolvidos com chaves de tabela como
chave primária, chave candidata, chave primária natural, chave
primária composta, chave substituta, MPI, chave estrangeira

Relacionamento de Cognitivo 2 Diferenciar os conceitos envolvidos com relacionamento de

tabelas tabelas

Filtro cruzado Cognitivo 2 Diferenciar os conceitos envolvidos com filtros de tabelas

Esquemas Cognitivo 2 Diferenciar os conceitos envolvidos com esquemas, como

esquema estrela, esquema snowflake, bridge tables

Restrições de Cognitivo 2 Diferenciar os conceitos envolvidos com constraints

relacionamento

[Link]
Aula 03 - Modelagem de banco de dados, como construir um modelo?

Tópicos Domínio Nível Objetivo educacional

Modelagem de dados Cognitivo 2 Compreender os tipos de modelagem conceitual, lógica e física

relacionais

Construindo ERD Cognitivo 3 Desenvolver um Diagrama de relacionamento de entidades com

dados próprios

OLTP e OLAP Cognitivo 2 Diferenciar propósitos de banco de dados para armazenamento e

análise

Normalização Cognitivo 2 Verificar as regras de normalização de tabelas

Desnormalização Cognitivo 2 Verificar como desnormalizar uma tabela e compor uma tabela
analítica final (ABT)

[Link]
Módulo 03 - Dados em saúde, como tratar?

Aula 01 - EDA, realizando uma análise exploratória de dados

Tópicos Domínio Nível Objetivo educacional

Introdução à Análise Cognitivo 4 Reconhecer a importância da EDA

Exploratória de Dados
(EDA)

Preparação do ambiente Psicomotor 3 Reproduzir tour pelo Power Query (analogia com planilhas)
de trabalho

Carregamento de Dados Psicomotor 3 Reproduzir a importação de dados (Diferentes fontes de dados

suportadas (Excel, bancos de dados, arquivos de texto, web, etc.)

Análise de Perfil da Psicomotor 3 Reproduzir Uso da funcionalidade de "Perfil de Dados" para

Coluna explorar distribuições e identificar outliers, missings, etc

Transformações básicas Psicomotor 3 Reproduzir os principais tratamentos usando o power query

guiadas (Transformações básicas: renomear colunas, alterar tipos de
dados, remover colunas, Filtragem de dados e uso de expressões
condicionais, Agrupamento e agregação de dados.

Uso de M Language Psicomotor 3 Reproduzir Uso de M Language para scripts personalizados

para scripts (analogia das fórmulas de planilhas)

[Link]
 personalizados

Otimização de consultas Psicomotor 3 Reproduzir as melhores práticas para manter o desempenho do

no Power Query Power BI

Chat GPT Psicomotor 3 Aprender a comandar o chat GPT como suporte

Aula 02 - Modelagem física de dados, modelando na prática

Tópicos Domínio Nível Objetivo educacional

Visão geral do Power BI: Psicomotor 3 Reproduzir tour pela modelagem (Model View, Data View,
componentes chave Relationship View).
para modelagem (Model
View, Data View,
Relationship View).

Criação e Psicomotor 3 Reproduzir criação de relacionamentos

gerenciamento de
relacionamentos:
um-para-muitos,
muitos-para-muitos,
auto-relacionamento.

Modelagem de cenários Psicomotor 3 Reproduzir criação da tabela dCalendario e relacionamento no

com tabelas de tempo e tempo

[Link]
 categorizações
dinâmicas.

Colunas calculadas e sua Psicomotor 3 Reproduzir criação de colunas calculadas

diferença com outras
abordagens

Impacto do design de Cognitivo 3 Compreender conceitos sobre a performance

modelagem no tempo
de carregamento e na
atualização de relatórios.

Erros comuns na Psicomotor 3 Reproduzir boas práticas de modelagem

modelagem de dados e
como evitá-los.

Módulo 04 - Dados em saúde, quais indicadores?

Aula 01 - Indicadores, como calcular

Tópicos Domínio Nível Objetivo educacional

Introdução à linguagem Cognitivo 2 Sintaxe básica e estrutura de uma fórmula DAX

DAX

[Link]
 Funções Básicas em DAX Psicomotor 3 Reproduzir criação de medidas através de fórmula DAX

Importância do contexto Psicomotor 3 Reproduzir criação de medidas através de fórmula DAX

de cálculo: Row Context considerando os conceitos de row context e filter context
e Filter Context.

Formas de Cognitivo 2 Compreender o conceito de cubo de dados e as operações

Dimensionamento envolvendo cubo de dados como drill down, roll-up, drill-through,
slice, dice e pivot

Dimensionamento pelo Psicomotor 3 Exercitar o dimensionamento pelo tempo e entender as variações

tempo de indicadores como YoY, PoP, YTD, QTD, etc

Aula 02 - Estatística básica no PowerBI

Tópicos Domínio Nível Objetivo educacional

Funções resumo Cognitivo 3 Executar a fórmulas de planilhas e no powerbi

Tabelas dinâmicas Cognitivo 3 Executar tabulação dinâmica e no powebi

Medidas de frequência Cognitivo 3 Aplicar medidas de frequência, como frequência absoluta, relativa
e cumulativa em planilhas e no powerbi

[Link]
 Medidas de tendência Cognitivo 3 Aplicar medidas de tendência central, como média aritmética,
central média geométrica, média harmônica, mediana e moda em
planilhas e no powerbi

Medidas de Cognitivo 3 Aplicar medidas de variabilidade, como variância, desvio padrão,

variabilidade percentil, quartil, quintil e intervalo interquartil em planilhas e no
powerbi

Medidas de dispersão Cognitivo 3 Aplicar medidas de dispersão, como mínimo, máximo, amplitude,
assimetria e curtose em planilhas e no powerbi

Aula 03 - Data visualization, escolhendo o melhor gráfico no PowerBi

Tópicos Domínio Nível Objetivo educacional

A escolha de um gráfico Cognitivo 3 Atribuir cada tipo de gráfico a uma intenção

Gráficos de tempo Psicomotor 3 Experimentar a escolha de gráficos que expressam tempo, como
gráfico de linha, gráfico de área e gráfico de barras verticais no
PowerBI

Gráficos de ranking Psicomotor 3 Experimentar a escolha de gráficos que expressam ranking, como
gráficos de barras horizontais, box plot e scatter plot no PowerBI

Gráficos de partes Psicomotor 3 Experimentar a escolha de gráficos que expressam partes, como

[Link]
 gráficos de colunas empilhadas, gráficos de progresso, tree map
no PowerBI

Gráficos de distribuição Psicomotor 3 Experimentar a escolha de gráficos que expressam distribuição,

como gráficos de histograma, dot plot e dumbbell graph no
PowerBI

Gráficos de comparação Psicomotor 3 Experimentar a escolha de gráficos que expressam comparação,

como heatmap, bullet graph, spark line no PowerBI

Gráficos de desvio Psicomotor 3 Experimentar a escolha de gráficos que expressam desvio, como
gráfico de área, diverging bar, band line no PowerBI

Menos é mais Psicomotor 3 Aplicar formas de personalização de gráficos no sentido de retirar

excessos

Módulo 05 - Dados em saúde, como analisar?

Aula 01 - Tudo pronto, hora de interpretar

Tópicos Domínio Nível Objetivo educacional

Insights Cognitivo 3 Aplicar os conceitos aprendidos para perceber insights nos dados

[Link]
 Levantando hipóteses Cognitivo 3 Conseguir criar perguntas para serem feitas aos dados

Detecção de tendências Cognitivo 3 Conseguir perceber tendências nos dados

Detecção de padrões Cognitivo 3 Conseguir perceber padrões nos dados

Detecção de questões Cognitivo 3 Conseguir descobrir questões ocultas nos dados, praticando
ocultas tabulações por subgrupo e verificando exemplos do paradoxo de
simpson

Aula 02 - Dados e ética, como não mentir e ser enganado com estatística

Tópicos Domínio Nível Objetivo educacional

Espremer os dados Afetivo 4 Julgar como os dados podem ser usados

Táticas comuns para Psicomotor 4 Criticar situações e técnicas comumente utilizadas para mentir
mentir com estatística com estatística

Como se defender de Psicomotor 4 Detectar situações e técnicas comumente utilizadas para mentir
mentiras estatísticas com estatística

Como reportar Psicomotor 4 Formular explicações sobre os limites dos dados e como lidar com
limitações as limitações

[Link]
Aula 03 - Data Storytelling, narrando uma história de dados

Tópicos Domínio Nível Objetivo educacional

Narrativa Afetivo 2 Valorizar a importância da narrativa na comunicação humana

Etapas de uma narrativa Cognitivo 3 Compreender as etapas de uma narrativa, como a história, a
tensão, a observação, a resolução e a expectativa

História Cognitivo 3 Aprender fundamentos como a forma de iniciar uma história,

check-ins regulares, engajamento da audiência, narrativa com
emoção, interrupção de maus hábitos de comunicação

Tensão Cognitivo 3 Selecionar criticamente as questões importantes de serem

respondidas

Observação Cognitivo 3 Selecionar criticamente os diferentes pontos de vistas sobre os

quais as questões podem ser observadas

Resolução Cognitivo 3 Selecionar criticar as ações possíveis para endereçar as

descobertas realizadas

Expectativa Cognitivo 3 Conseguir projetar resultados esperados a partir das ações

sugeridas

Módulo 06 - Dados em saúde, já sei analisar e agora?

[Link]
Aula 01 - Dados, é seguro?

Tópicos Domínio Nível Objetivo educacional

Contexto Histórico Cognitivo 2 Reconhecer o contexto histórico da proteção à privacidade

GDPR Cognitivo 2 Destrinchar os princípios da lei de proteção européia

Por quê proteger? Cognitivo 2 Concluir sobre a importância da lei

O quê proteger? Cognitivo 2 Compreender sobre os conceitos de dados pessoais diretos e

dados pessoais indiretos e processos de anonimização

Quem proteger? Cognitivo 2 Compreender o papel dos titulares, controlador, operador, DPO,
ANDP

Como proteger? Cognitivo 2 Compreender os diferentes tipos de tratamento de dados

pessoais no ciclo de vida dos dados pessoais

LGPD Cognitivo 2 Destrinchar os princípios da lei de proteção brasileira

Bases legais Cognitivo 2 Verificar os direitos dos titulares e as bases legais para o
tratamento de dados pessoais

Para empresas Cognitivo 2 Compreender como uma empresa pode se adequar à LGPD com
conceitos como privacy by design

[Link]
 Certificação Profissional Cognitivo 2 Conhecer o processo de certificação sobre segurança de dados

4. Metodologia de Ensino

Métodos de ensino

Método a serem utilizados Descrição

Aula expositiva dialogada introdução de questionamentos a serem respondidos pelos discentes,

dinamizando a atividade em sala de aula.

Ensino com Casos (Case Studies) Utiliza cenários da vida real para que os discentes possam aplicar
conhecimentos teóricos em situações práticas. Isso promove a análise, síntese e
avaliação de cenários complexos.

Aprendizagem Cooperativa Este método envolve discentes trabalhando em grupos para alcançar objetivos
de aprendizagem. Eles compartilham conhecimentos, habilidades e recursos
para resolver problemas juntos.

Aprendizagem Baseada em Problemas Este método envolve os alunos na solução de um problema complexo que não
(Problem-Based Learning - PBL) possui uma única solução correta. Isso incentiva a análise crítica, aplicação de

[Link]
 conhecimento e habilidades de resolução de problemas.

Buzz Group Divisão da turma em pequenos grupos, geralmente de três a cinco membros,
para discutir um tópico específico por um curto período de tempo. O objetivo é
gerar ideias, pensamentos e pontos de vista que podem ser rapidamente
compartilhados com a turma inteira. O termo "buzz" refere-se ao som animado
da atividade e conversação que esses pequenos grupos criam.

Recursos didáticos

Recursos a serem utilizados Descrição

Templates Templates criados pelo autor que sistematizam um framework

Artigos Publicações de papers referenciados

Polleverywhere Plataforma online que permite a criação de questionários onde as perguntas

podem ser facilmente respondidas e analisadas em grupo

Kahoot! Plataforma de aprendizado baseada em jogo

Vídeo gravação da aula Vídeo gravação da aula para rever as aulas

[Link]
 Powerpoint das aulas Powerpoint das aulas apresentadas

5. Avaliação

Embora o curso não inclua atividades avaliativas obrigatórias, o que proporciona uma flexibilidade bem-vinda, seria
enriquecedor considerar a implementação de um projeto prático para ser desenvolvido ao longo do tratamento. Isso
não apenas solidifica o aprendizado através da aplicação prática dos conceitos estudados, mas também permite uma
exploração mais aprofundada das habilidades individuais.

Atividade Descrição

Dicionário de dados Construção de dicionário de dados, a partir do cenário particular que vive o
discente

Diagrama de relacionamento de entidades Construção de entidade de relacionamento de dados, a partir do cenário

particular que vive o discente

Descrição de tratamento de dados Construção de documentação sobre tratamento de dados, a partir do cenário
particular que vive o discente

Matriz de indicadores Construção de ficha de indicadores, a partir do cenário particular que vive o
discente

[Link]
 Apresentação de dados Construção de apresentação, a partir do cenário particular que vive o discente

6. Dados Logísticos
Para Mentoria

● Duração do Curso: Total de 40 horas de aula. Adicional de 2 hora de mentoria semanal para resolução de
dúvidas e discussão de casos particulares
● Frequência das Aulas: 1 (uma) vez por semana, com 2 (duas) horas de duração a cada aula.
● Local: Online, na plataforma [Link]

8. Informações do Instrutor

Gregório Victor Rodrigues

● Linkedin: [Link]

Qual é o meu trabalho hoje?

Atualmente, sou Gerente do Projeto de Inteligência em Saúde Grupo 3778 ([Link] liderando uma equipe de
cientistas de dados para gerar soluções de dados para os processos do sistema de saúde suplementar brasileiro. Desenvolvemos

[Link]
modelos como previsão de pacientes de alto custo, inferência de condições crônicas de saúde, classificação de prestadores na
rede de cuidados e análise da relação custo-efetividade de programas de saúde.

Qual é a minha formação?

Sou graduado em Medicina pela Universidade Federal de Minas Gerais. Médico de Família e Comunidade do Hospital Odilon
Behrens-BH. Mestre em Saúde Pública e Epidemiologia pela Universidade Federal de Minas Gerais (Minha tese sobre a importância
da formação em medicina de família para qualificar a atenção básica, verificando a diminuição das internações por condições
sensíveis à atenção básica, pode ser acessada no seguinte link: https ://[Link]/handle/1843/50865). MBA em Gestão
em Saúde pela FGV. Pós-graduado em Informática e Ciência de Dados em Saúde pelo Einstein. Especialista em PowerBI pela
PowerBI Experience. Especialista GreenBelt em Lean6Sigma pela Voitto. Scrum Master Profissional nível I pela ScrumOrg.

Qual é a minha experiência?

Sou um dos fundadores da Dexpertio, empresa que oferece cursos e consultoria em Atenção Primária à Saúde
([Link]). Fui Professor de Práticas em Saúde Baseada em Evidências e Habilidades Médicas na Graduação de
Medicina da Uni-BH do grupo Ânima. Fui Convidado para ser Professor pela UFMG no Curso de Introdução à Atenção Básica. Fui
membro do Núcleo Docente Estruturador da Santa Casa-BH e Coordenador do Programa de Pós-Graduação em Saúde da Família
da Santa Casa-BH.

Qual é a minha experiência com tecnologias em saúde:?

Tenho conhecimento e me sinto confortável com ferramentas de Analitycs (Power BI, Data Studio), Fluxo de Automação (Power
Automate, Zoho Flow, Alteryx), Chatbots (Flowxo, Xenio, Infobip), Linguagem Natural (Dialogflow), Banco de Dados (BigQuery),
Health Sistema de Dados (DHIS2), Interoperabilidade (FHIR) e Ciência de Dados (Python).

[Link]
[Link]