Olá, este é o curriculo do especialista em graph data science Daniel Cotrim. Ficamos muito contentes com seu interesse em conhecer um pouco mais do perfil profissional do Daniel Cotrim para eventuais oportunidades de trabalharmos em conjunto com a graph md, em um projeto com a sua instituíção, integrando a medicina a IA e GDS (Graph Data Science). Programador desde os quinze anos, em Java há mais de 27 anos e em Python há mais de 10 anos. O seu foco é Inteligência Artificial desde 2007, quando iniciou mestrado em computação, posteriormente, em 2010, o doutorado em neurociência computacional na faculdade de medicina da Universidade Católica, localizada em Porto Alegre, no estado do Rio Grande do Sul, no extremo sul do Brasil. Destaca-se que o trabalho realizado está profundamente relacionado à IA ​​na área na saúde des dessa época. Após todos esses anos ligado a Computação aplicada a Saúde, foi desenvolvida a graph md criando uma arquitetura inovadora de telemedicina em GDS, utilizando o banco de dados em grafo Neo4j. Com essa nova tecnologia, foi possível colocar todas as doenças classificadas do mundo e os principais sintomas do PubMed, que é um importante banco de informações científicas em medicina. Mais de mil artigos foram estudados e analisados ​​para identificação de conceitos. O graph md possui cinquenta mil termos para sintomas e doenças; e quatrocentos mil relacionamentos entre os nós. Este modelo pode ser ecessado em github.com/graphmd. Segundo opinião dos principais especialistas: Não seria possível construir o modelo com essas características em um banco de dados relacional. Neste Sistema Complexo é possível mostrar a viabilidade da ideia de propor uma solução de armazenamento de inteligência baseada na construção de bases pessoais de pacientes. Em breve, uma pessoa terá um sistema maior do que o de uma grande empresa atual.

Considera-se os modelos como dados dependentes. Portanto, a proposta foi criar uma arquitetura que reduzisse significativamente o volume de relacionamentos da base de conhecimento. Para resolver a questão do isolamento, foi criado o conceito de bases de síntese do conhecimento, que dá nome ao projeto. As bases de conhecimento zero recebem dados dos pacientes e mapas diagnósticos para que agentes inteligentes validem as hipóteses mais prováveis. Neste momento toda a IA já está pré-armazenada, em tags e relacionamentos, dentro da base de síntese com seus respectivos valores pré-calculados pelos algoritmos de IA que foram validados por médicos especialistas. É aqui que entra o conceito de knowledgeplace para rentabilizar a solução. Os pacientes não pagam pelo app graph.md, mas sim pelo conhecimento aplicado às suas necessidades de saúde.

Porque, como sabemos, a análise do diagnóstico de um paciente pode ter diferentes níveis de abstração para diferentes médicos especialistas! Através desta arquitetura inovadora construimos o super app graph.md em java spring data neo4j na plataforma cloud integrado a spring data, criar formulários dinâmicos e navegar entre cinquenta mil termos com no máximo cinquenta escolhas, ou atribuições, feitas através de perguntas com respostas guiadas ou sugeridas. Permitindo assim a navegação no graph md de forma inteligente. Essa interação entre pacientes e médicos especialistas para definir uma hipótese diagnóstica pode ser síncrona ou assíncrona.

A mágica acontece com a identificação do contexto inicial, ou seja, todos os pacientes que são aproximadamente iguais ao paciente analisado que já possui um diagnóstico atribuído na base de conhecimento. Ao entrar neste grupo, podemos verificar os conceitos complementares dos pacientes que já foram diagnosticados, percorrendo o caminho mais curto dentro do grafo para atingir o objetivo. Consultas mais sofisticadas para encontrar os termos classificatórios podem ser utilizadas neste momento. Finalizando o processo, mostramos os termos, ou sintomas classificatórios, para os diagnósticos alvo. A questão fundamental é reverter o conceito de telemedicina: Prezado Paciente P! Analisando seus dados no graph.md, gostaríamos de agendar uma consulta presencial com o Médico Especialista E para evitar (buscar reduzir) o risco de ocorrência de determinada doença D. O principal desafio é que a saúde não é explicitamente definida no processo de diagnóstico. É considerado apenas como complemento da doença.

As pessoas pensam erroneamente e invariavelmente: se não estou doente, então estou saudável! Mas a luz no fim do túnel é que ao estudar os sintomas ao longo da vida, pode-se observar que a fisiologia do paciente se relaciona com os dois universos: Saúde e Doença. Observando um paciente sob a lupa de uma base de conhecimento no Graph DB, podemos prever que se a fisiologia estiver em perfeito funcionamento, a doença está a um certo grau seguro de distância do paciente. Se eventualmente identificarmos sinais de alerta precoce em determinadas disfunções fisiológicas, poderemos intervir para propor um retorno a esse estado desejado antes mesmo que a doença o afete.

O trabalho realizado pela graph.md no setor da saúde mostra que em outras áreas a modelagem de um sistema complexo aplicado à IA deve observar os fluxos de ocorrências das relações de eventos das pessoas com os mapas de necessidades das empresas. Estudando e desenvolvendo sistemas de alta complexidade, como os que dão suporte ao diagnóstico médico, durante praticamente toda a vida, o objetivo é contribuir, como membro da equipe graph md, desenvolvendo soluções em Graph Data Science, neste cenário de início da era da Inteligência Artificial ligada diretamente a vida cotidiana das pessoas.