ReP USP - Resultado da busca

Artigo de jornal
Big techs lançam ferramentas de IA com foco em pacientes e sistemas de saúde (2026)
Barcellos Filho, Fabiano N
Source: Futuro da Saúde. Unidade: FSP
Subjects: INTELIGÊNCIA ARTIFICIAL, SISTEMA DE SAÚDE, EMPRESAS DE TECNOLOGIA AVANÇADA, CAPACITAÇÃO TECNOLÓGICA, RELAÇÕES MÉDICO-PACIENTE
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
BARCELLOS FILHO, Fabiano N. Big techs lançam ferramentas de IA com foco em pacientes e sistemas de saúde. Tradução . Futuro da Saúde, São Paulo, 2026. Disponível em: https://repositorio.usp.br/directbitstream/db039889-42d8-445d-84b3-e94a71a10fd4/HEP_02_2026.pdf. Acesso em: 02 maio 2026.
APA
Barcellos Filho, F. N. (2026). Big techs lançam ferramentas de IA com foco em pacientes e sistemas de saúde. Futuro da Saúde. São Paulo: Faculdade de Saúde Pública, Universidade de São Paulo. Recuperado de https://repositorio.usp.br/directbitstream/db039889-42d8-445d-84b3-e94a71a10fd4/HEP_02_2026.pdf
NLM
Barcellos Filho FN. Big techs lançam ferramentas de IA com foco em pacientes e sistemas de saúde [Internet]. Futuro da Saúde. 2026 ;[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/db039889-42d8-445d-84b3-e94a71a10fd4/HEP_02_2026.pdf
Vancouver
Barcellos Filho FN. Big techs lançam ferramentas de IA com foco em pacientes e sistemas de saúde [Internet]. Futuro da Saúde. 2026 ;[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/db039889-42d8-445d-84b3-e94a71a10fd4/HEP_02_2026.pdf
Artigo de periodico
Transfer learning for COVID-19 predictive modeling: A multicenter study of 12 hospitals (2025)
Savalli, Carine ; Carneiro, André Henrique Alves; Barcellos Filho, Fabiano; Bigoto, Murilo Afonso Robiati; Wichmann, Roberta Moreira ; Chiavegatto Filho, Alexandre Dias Porto
Source: Annals of Epidemiology. Unidades: FSP, EP, Interunidades em Bioinformática
Subjects: COVID-19, UNIDADES DE TERAPIA INTENSIVA, APRENDIZADO COMPUTACIONAL, HOSPITAIS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
SAVALLI, Carine et al. Transfer learning for COVID-19 predictive modeling: A multicenter study of 12 hospitals. Annals of Epidemiology, v. 108, 2025Tradução . . Disponível em: https://repositorio.usp.br/directbitstream/8885c83b-0c0f-424b-acef-0a1550c41413/HEP_14_2025.pdf. Acesso em: 02 maio 2026.
APA
Savalli, C., Carneiro, A. H. A., Barcellos Filho, F., Bigoto, M. A. R., Wichmann, R. M., & Chiavegatto Filho, A. D. P. (2025). Transfer learning for COVID-19 predictive modeling: A multicenter study of 12 hospitals. Annals of Epidemiology, 108. doi:10.1016/j.annepidem.2025.05.013
NLM
Savalli C, Carneiro AHA, Barcellos Filho F, Bigoto MAR, Wichmann RM, Chiavegatto Filho ADP. Transfer learning for COVID-19 predictive modeling: A multicenter study of 12 hospitals [Internet]. Annals of Epidemiology. 2025 ;108[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/8885c83b-0c0f-424b-acef-0a1550c41413/HEP_14_2025.pdf
Vancouver
Savalli C, Carneiro AHA, Barcellos Filho F, Bigoto MAR, Wichmann RM, Chiavegatto Filho ADP. Transfer learning for COVID-19 predictive modeling: A multicenter study of 12 hospitals [Internet]. Annals of Epidemiology. 2025 ;108[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/8885c83b-0c0f-424b-acef-0a1550c41413/HEP_14_2025.pdf
Artigo de periodico
Artificial intelligence for the diagnosis of erythematous-squamous dermatological diseases: technological contributions to primary care (2025)
Cipriano, Raiza Brito ; Falco Neto, Wilson ; Barcellos Filho, Fabiano N. ; Chiavegatto Filho, Alexandre Dias Porto
Source: Anais Brasileiros de Dermatologia. Unidade: FSP
Subjects: INTELIGÊNCIA ARTIFICIAL, DERMATOLOGIA, DIAGNÓSTICO DIFERENCIAL, APRENDIZAGEM, DERMATOPATIAS, ATENÇÃO PRIMÁRIA À SAÚDE
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
CIPRIANO, Raiza Brito et al. Artificial intelligence for the diagnosis of erythematous-squamous dermatological diseases: technological contributions to primary care. Anais Brasileiros de Dermatologia, v. 100, n. 5, 2025Tradução . . Disponível em: https://repositorio.usp.br/directbitstream/4864c7fd-ba2c-4798-8f29-828b69d6ee0a/HEP_18_2025.pdf. Acesso em: 02 maio 2026.
APA
Cipriano, R. B., Falco Neto, W., Barcellos Filho, F. N., & Chiavegatto Filho, A. D. P. (2025). Artificial intelligence for the diagnosis of erythematous-squamous dermatological diseases: technological contributions to primary care. Anais Brasileiros de Dermatologia, 100( 5). doi:10.1016/j.abd.2025.501169
NLM
Cipriano RB, Falco Neto W, Barcellos Filho FN, Chiavegatto Filho ADP. Artificial intelligence for the diagnosis of erythematous-squamous dermatological diseases: technological contributions to primary care [Internet]. Anais Brasileiros de Dermatologia. 2025 ;100( 5):[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/4864c7fd-ba2c-4798-8f29-828b69d6ee0a/HEP_18_2025.pdf
Vancouver
Cipriano RB, Falco Neto W, Barcellos Filho FN, Chiavegatto Filho ADP. Artificial intelligence for the diagnosis of erythematous-squamous dermatological diseases: technological contributions to primary care [Internet]. Anais Brasileiros de Dermatologia. 2025 ;100( 5):[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/4864c7fd-ba2c-4798-8f29-828b69d6ee0a/HEP_18_2025.pdf
Artigo de periodico
Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review (2025)
Silva, Gabriel Ferreira dos Santos ; Barcellos Filho, Fabiano N. ; Wichmann, Roberta Moreira ; Silva Junior, Francisco Costa da; Chiavegatto Filho, Alexandre Dias Porto
Source: Journal of Biomedical Informatics. Unidade: FSP
Subjects: APRENDIZADO COMPUTACIONAL, REVISÃO SISTEMÁTICA, SAÚDE, BANCO DE DADOS, INTELIGÊNCIA ARTIFICIAL
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
SILVA, Gabriel Ferreira dos Santos et al. Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review. Journal of Biomedical Informatics, v. 170, 2025Tradução . . Disponível em: https://repositorio.usp.br/directbitstream/d81f3e8c-547d-467d-8fb8-d07f8943c10e/HEP_76_2025.pdf. Acesso em: 02 maio 2026.
APA
Silva, G. F. dos S., Barcellos Filho, F. N., Wichmann, R. M., Silva Junior, F. C. da, & Chiavegatto Filho, A. D. P. (2025). Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review. Journal of Biomedical Informatics, 170. doi:10.1016/j.jbi.2025.104902
NLM
Silva GF dos S, Barcellos Filho FN, Wichmann RM, Silva Junior FC da, Chiavegatto Filho ADP. Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review [Internet]. Journal of Biomedical Informatics. 2025 ;170[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/d81f3e8c-547d-467d-8fb8-d07f8943c10e/HEP_76_2025.pdf
Vancouver
Silva GF dos S, Barcellos Filho FN, Wichmann RM, Silva Junior FC da, Chiavegatto Filho ADP. Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review [Internet]. Journal of Biomedical Informatics. 2025 ;170[citado 2026 maio 02 ] Available from: https://repositorio.usp.br/directbitstream/d81f3e8c-547d-467d-8fb8-d07f8943c10e/HEP_76_2025.pdf
Artigo de periodico
Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning (2024)
Savalli, Carine ; Wichmann, Roberta Moreira ; Barcellos Filho, Fabiano; Fernandes, Fernando Timoteo ; Chiavegatto Filho, Alexandre Dias Porto
Source: PLOS Digital Health. Unidade: FSP
Subjects: COVID-19, APRENDIZADO COMPUTACIONAL, ESTUDOS MULTICÊNTRICOS, PREDIÇÃO
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
SAVALLI, Carine et al. Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning. PLOS Digital Health, v. 3, n. 12, p. art. e0000699. [13], 2024Tradução . . Disponível em: https://doi.org/10.1371/journal.pdig.0000699. Acesso em: 02 maio 2026.
APA
Savalli, C., Wichmann, R. M., Barcellos Filho, F., Fernandes, F. T., & Chiavegatto Filho, A. D. P. (2024). Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning. PLOS Digital Health, 3( 12), art. e0000699. [13]. doi:10.1371/journal.pdig.0000699
NLM
Savalli C, Wichmann RM, Barcellos Filho F, Fernandes FT, Chiavegatto Filho ADP. Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning [Internet]. PLOS Digital Health. 2024 ;3( 12): art. e0000699. [13].[citado 2026 maio 02 ] Available from: https://doi.org/10.1371/journal.pdig.0000699
Vancouver
Savalli C, Wichmann RM, Barcellos Filho F, Fernandes FT, Chiavegatto Filho ADP. Multicenter comparative analysis of local and aggregated data training strategies in COVID-19 outcome prediction with Machine learning [Internet]. PLOS Digital Health. 2024 ;3( 12): art. e0000699. [13].[citado 2026 maio 02 ] Available from: https://doi.org/10.1371/journal.pdig.0000699
Artigo de periodico
Predictive modeling of gestational weight gain: a machine learning multiclass classification study (2024)
Audêncio, Victor ; Santos, Hellen Geremias dos ; Silva, Gabriel Ferreira dos Santos ; Barcellos Filho, Fabiano; Cobre, Alexandre de Fátima; Luzia, Liania Alves ; Rondó, Patricia Helen de Carvalho ; Chiavegatto Filho, Alexandre Dias Porto
Source: BMC Pregnancy and Childbirth. Unidade: FSP
Subjects: GESTANTES, GANHO DE PESO, APRENDIZADO COMPUTACIONAL, PREDIÇÃO, SAÚDE MATERNO-INFANTIL, ESTUDOS DE COORTES, BRASIL, ARARAQUARA (SP)
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
AUDÊNCIO, Victor et al. Predictive modeling of gestational weight gain: a machine learning multiclass classification study. BMC Pregnancy and Childbirth, v. 24, n. 1, p. [11], 2024Tradução . . Disponível em: https://doi.org/10.1186/s12884-024-06952-8. Acesso em: 02 maio 2026.
APA
Audêncio, V., Santos, H. G. dos, Silva, G. F. dos S., Barcellos Filho, F., Cobre, A. de F., Luzia, L. A., et al. (2024). Predictive modeling of gestational weight gain: a machine learning multiclass classification study. BMC Pregnancy and Childbirth, 24( 1), [11]. doi:10.1186/s12884-024-06952-8
NLM
Audêncio V, Santos HG dos, Silva GF dos S, Barcellos Filho F, Cobre A de F, Luzia LA, Rondó PH de C, Chiavegatto Filho ADP. Predictive modeling of gestational weight gain: a machine learning multiclass classification study [Internet]. BMC Pregnancy and Childbirth. 2024 ;24( 1): [11].[citado 2026 maio 02 ] Available from: https://doi.org/10.1186/s12884-024-06952-8
Vancouver
Audêncio V, Santos HG dos, Silva GF dos S, Barcellos Filho F, Cobre A de F, Luzia LA, Rondó PH de C, Chiavegatto Filho ADP. Predictive modeling of gestational weight gain: a machine learning multiclass classification study [Internet]. BMC Pregnancy and Childbirth. 2024 ;24( 1): [11].[citado 2026 maio 02 ] Available from: https://doi.org/10.1186/s12884-024-06952-8

USP Schools

ReP

Filtros

Authors

USP affiliated authors

Subjects

Source title

Non normalized affiliation