REVISÃO SISTEMÁTICA DE LITERATURA TRANSFORMAÇÃO DIGITAL E BIG DATA NA ÁREA DE SAÚDE

Prévia do material em texto

UNIVERSIDADE FEDERAL FLUMINENSE 
FACULDADE DE ADMINISTRAÇÃO E CIÊNCIAS CONTÁBEIS 
DEPARTAMENTO DE ADMINISTRAÇÃO 
CURSO DE GRADUAÇÃO EM ADMINISTRAÇÃO 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 ANDRE LUIZ JARDIM COSTA 
 
 
 
 
REVISÃO SISTEMÁTICA DE LITERATURA: 
TRANSFORMAÇÃO DIGITAL E BIG 
DATA NA ÁREA DA SAÚDE 
 
 
 
 
 
 
 
 
 
 
 
 
 
NITERÓI, 2022 
1 
 
 
 
ANDRÉ LUIZ JARDIM COSTA 
 
 
 
REVISÃO SISTEMÁTICA DE LITERATURA: 
TRANSFORMAÇÃO DIGITAL E BIG DATA NA ÁREA DA SAÚDE 
 
 
 
 
 
Trabalho de Conclusão de Curso apresentado ao 
Departamento de Administração da Universidade 
Federal Fluminense, como requisito parcial para a 
obtenção do grau de Bacharel em Administração. 
Orientadores: Prof. Joel de Lima Pereira Castro 
Junior (in memoriam) e Profª. Débora Bogéa da 
Costa Tayt-son. 
 
 
 
 
 
 
 
 
 
 
NITERÓI 
2022 
2 
 
 
3 
 
ANDRÉ LUIZ JARDIM COSTA 
 
REVISÃO SISTEMÁTICA DE LITERATURA: 
TRANSFORMAÇÃO DIGITAL E BIG DATA NA ÁREA DA SAÚDE 
 
Trabalho de Conclusão de Curso apresentado ao 
Departamento de Administração da Universidade 
Federal Fluminense, como requisito parcial para a 
obtenção do grau de Bacharel em Administração. 
Orientadores: Prof. Joel de Lima Pereira Castro 
Junior (in memoriam) e Profª. Débora Bogéa da 
Costa Tayt-son. 
 
Aprovado em ____ de ________________ de ______. 
 
 
BANCA EXAMINADORA 
 
_______________________________________________ 
Profa. Dra. Débora Bogéa da Costa Tayt-son – Coorientadora 
UFF – Universidade Federal Fluminense 
 
_______________________________________________ 
Prof. Dr. Eduardo Camilo da Silva 
UFF – Universidade Federal Fluminense 
 
_______________________________________________ 
Prof. Dr. Ariel Levy 
UFF – Universidade Federal Fluminense 
 
Niterói 
2022 
4 
 
AGRADECIMENTOS 
Foram muitos os que participaram da conclusão deste ciclo. No plano físico ou 
espiritual, estive rodeado de indivíduos que possibilitaram e contribuíram em minha 
caminhada até aqui. Em especial, meu pai Roberto e minha mãe Patricia, que 
dedicaram incontáveis horas de seu tempo e não mediram esforços para que eu 
pudesse alcançar meus objetivos. Devo citar também minha irmã Ana Luisa, que 
sempre me trouxe um momento de diversão nos dias estressantes. 
Vocês foram minha base até aqui. Essa conquista é nossa. 
Agradeço especialmente também à minha namorada, Giulia, que sempre 
esteve ao meu lado com seu amor, me apoiando e me reerguendo quando eu precisei. 
Obrigado por ser minha inspiração e sempre me ajudar a ser um homem melhor. Essa 
conquista é nossa. 
Ao meu orientador Joel, que partiu para o céu antes de enxergar a conclusão 
deste trabalho, agradeço por todo o empenho e dedicação. Essa conquista é nossa. 
Aos meus amigos do curso, Caio, Carlos, Gabriel, Ian e Luiz, obrigado por 
tornarem esta trajetória mais divertida e agradável. Essa conquista é nossa. 
Obrigado também à Debora, que em um momento delicado me capacitou e me 
acolheu, auxiliando na conclusão deste trabalho. Essa conquista é nossa. 
Nunca estive sozinho. 
 
 
 
 
 
 
 
 
 
 
5 
 
RESUMO 
Em um mundo cada vez mais complexo e rico em informação, as organizações de 
saúde possuem uma miríade de dados relativos a seus processos de entrega de 
cuidados de saúde (healthcare delivery). Essas organizações possuem grandes 
desafios na contemporaneidade, tais como a redução de custos mantendo a eficiência 
de seus processos, a necessidade cada vez maior de encontrarem e realizarem 
tratamentos cada vez mais efetivos, a melhora do acesso a seus serviços, tudo isso 
mantendo o foco no paciente. Numa era de imersão no Big Data, as implementações 
de ferramentas e sistemas voltados ao armazenamento, extração, manipulação, 
transformação e criação de informações a partir dos dados podem ser a resposta para 
os desafios apresentados. Todo esse processo culmina em uma verdadeira 
transformação digital deste setor. Nesta Revisão Sistemática de Literatura, 
analisamos artigos disponíveis nas bases de portais de artigos acadêmicos de 
reconhecido mérito acadêmico, com o objetivo de trazer um panorama geral do tema 
e direcionar estudos futuros nesta área. 
Neste artigo, encontramos e identificamos diversas aplicações de Big Data presentes 
nas organizações de saúde, tais como a telemedicina, o uso de dispositivos 
inteligentes (wearables), o Big Data Analytics, dentre outros. Identificamos desafios 
de aplicações destas ferramentas, como a segurança dos dados e a interoperabilidade 
entre sistemas, além de trazermos discussões acerca das temáticas do processo de 
implementação dessas ferramentas com recomendações aos stakeholders 
interessados. 
Palavras-Chave: Big Data, Saúde, Dados, Transformação Digital 
 
 
 
 
 
 
 
6 
 
ABSTRACT 
In an increasingly complex and information-rich world, healthcare organizations have 
a myriad of data regarding their healthcare delivery processes. These organizations 
have great challenges today, such as reducing costs while maintaining the efficiency 
of their processes, the increasing need to find and deliver more effective treatments, 
improving access to their services, all while keeping the focus on the patient. In an era 
of immersion in Big Data, the implementations of tools and systems aimed at storing, 
extracting, manipulating, transforming, and creating information from data may be the 
answer to the challenges presented. This entire process culminates in a true Digital 
Transformation of this sector. In this Systematic Literature Review, we analyze articles 
available on the bases of academic article portals of recognized academic merit, with 
the objective of bringing an overview of the theme and directing future studies in this 
area. 
In this article, we found and identified several Big Data applications present in 
healthcare organizations, such as telemedicine, the use of smart devices (also referred 
to as wearables), Big Data Analytics, among others. We identify challenges in the 
application of these tools, such as data security and interoperability between systems. 
We also discuss the themes of the implementation process of these tools with 
recommendations to interested stakeholders. 
Keywords: Big Data, Healthcare, Data, Digital Transformation 
 
 
 
 
 
 
 
 
 
7 
 
LISTA DE ABREVIATURAS E SIGLAS 
 
BD Big Data 
BDA Big Data Analytics 
DOI Digital Object Identifier 
IA Inteligência Artificial 
ML Machine Learning 
PICOC Population, intervention, comparison, outcomes e context 
PLN Processamento de Linguagem Natural 
RSL Revisão Sistemática de Literatura 
RME Registros Médicos Eletrônicos 
SIS Sistemas de Informação de Saúde 
 
 
8 
 
LISTA DE FIGURAS 
 
Figura 1 - Sentença de busca utilizada ..................................................................... 25 
Figura 2 - Fluxograma PRISMA ................................................................................ 27 
Figura 3 - Fragmento do mapa visual de conhecimento construído no Obsidian ...... 28 
 
 
9 
 
LISTA DE TABELAS 
Tabela 1 - A sigla PICOC .......................................................................................... 23 
Tabela 2 - Perguntas de Pesquisa ............................................................................ 23 
Tabela 3 - Palavras-chave, sinônimos correlatos e pilares do PICOC relacionados . 24 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
10 
 
LISTA DE GRÁFICOS 
 
Gráfico 1 - Aplicações de Big Data e Transformação Digital ..................................... 30 
Gráfico 2 - Categorias de aplicações de ferramentas mais citadas dentre a literatura 
analisada ................................................................................................................... 32 
Gráfico 3 - Tipos de organizações citadas em artigos ...............................................34 
Gráfico 4 - Desafios de aplicação de ferramentas segmentados por quantidade de 
artigos em que foram mencionados .......................................................................... 36 
Gráfico 5 - Segmentação gráfica de artigos por perfil ............................................... 37 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
11 
 
SUMÁRIO 
1 INTRODUÇÃO ................................................................................................... 13 
1.1 APRESENTAÇÃO GERAL ............................................................................. 13 
1.2 JUSTIFICATIVA DA PESQUISA .................................................................... 13 
1.3 O PROBLEMA DE PESQUISA ....................................................................... 13 
1.4 OBJETIVO GERAL E ESPECÍFICOS ............................................................ 14 
1.5 DELIMITAÇÕES ............................................................................................. 14 
1.6 ORGANIZAÇÃO GERAL DO TRABALHO ..................................................... 15 
2 REFERENCIAL TEÓRICO ................................................................................ 16 
2.1 BIG DATA, BIG DATA ANALYTICS, BUSINESS INTELLIGENCE E 
TRANSFORMAÇÃO DIGITAL ................................................................................... 16 
2.2 ADMINISTRAÇÃO BASEADA EM EVIDÊNCIAS ........................................... 20 
3 METODOLOGIA ................................................................................................ 22 
3.1 REVISÃO SISTEMÁTICA DE LITERATURA .................................................. 22 
3.1.1 DEFINIÇÕES GERAIS E PROCESSO DE PESQUISA .............................. 22 
3.1.2 FONTES DE INFORMAÇÃO ...................................................................... 22 
3.1.3 PICOC ......................................................................................................... 23 
3.1.4 PERGUNTAS DE PESQUISA..................................................................... 23 
3.1.5 SENTENÇA DE BUSCA ............................................................................. 24 
3.1.6 CRITÉRIOS DE SELEÇÃO DOS ARTIGOS ............................................... 25 
3.1.7 AVALIAÇÃO DE QUALIDADE .................................................................... 25 
3.1.8 FLUXOGRAMA PRISMA – PROCESSO DE PESQUISA ........................... 27 
4 RESULTADOS................................................................................................... 28 
4.1 APLICAÇÕES DE BIG DATA E TRANSFORMAÇÃO DIGITAL ..................... 29 
4.2 EXEMPLOS PRÁTICOS DE APLICAÇÕES DE FERRAMENTAS DE BIG 
DATA E TRANSFORMAÇÃO DIGITAL ..................................................................... 31 
4.3 ORGANIZAÇÕES DE SAÚDE........................................................................ 33 
4.4 DESAFIOS DE APLICAÇÃO DE FERRAMENTAS ........................................ 34 
4.5 PERFIL GERAL DOS ARTIGOS ANALISADOS ............................................ 37 
4.6 A REVOLUÇÃO NA ÁREA DA SAÚDE .......................................................... 37 
4.7 DADOS SÃO O CENTRO E A BASE DA TRANSFORMAÇÃO DIGITAL 
BASEADA EM BIG DATA ......................................................................................... 38 
12 
 
4.8 A PREOCUPAÇÃO COM A PRIVACIDADE E A SEGURANÇA DOS DADOS 
E COMO A GOVERNANÇA DE DADOS PODE ASSEGURAR ISSO ...................... 39 
5 CONSIDERAÇÕES FINAIS ............................................................................... 41 
REFERÊNCIAS ......................................................................................................... 43 
APÊNDICES ............................................................................................................. 45 
APÊNDICE A – TABELA DE ARTIGOS ANALISADOS ............................................ 45 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
13 
 
1 INTRODUÇÃO 
1.1 APRESENTAÇÃO GERAL 
O presente Trabalho de Conclusão de Curso consiste em uma Revisão 
Sistemática de Literatura formulada com o objetivo de compreender os avanços 
tecnológicos ocorridos nos últimos tempos na indústria da saúde relacionados 
principalmente ao Big Data, que é apontada por Wang e Byrd (2017, p.16) como sendo 
a maior inovação em TI nos últimos tempos. Segundo eles, profissionais da medicina 
anseiam que suas instituições implementem novas abordagens de governança de 
dados, armazenamento e análise, de forma a conseguirem um entendimento holístico 
de saúde, a partir dados de pacientes em larga escala, que permite um avanço além 
do estado atual de conhecimento sobre tratamentos e doenças. 
A temática do Big Data em si já é uma realidade do presente. Além disso, 
algumas tecnologias como Internet das Coisas, Robótica e a Inteligência Artificial 
também estão se consolidando cada vez mais na atualidade na área da saúde 
(FLÓREZ et al., 2020, p. 2.) 
1.2 JUSTIFICATIVA DA PESQUISA 
Através desta pesquisa, busca-se identificar uma variedade de aspectos 
pertinentes ao Big Data e à implementação de tecnologias nas instituições de saúde, 
além de questões como os desafios de implementação e os impactos destas 
tecnologias ao ecossistema das organizações de saúde na literatura acadêmica. 
Nosso objetivo é contribuir para a geração de valor nos processos de saúde, 
fomentando a discussão sobre o tema e tornando-se uma fonte de conhecimento e 
referência em português, já que a grande maioria dos artigos encontrados estão na 
língua inglesa, o que pode ser uma barreira para a democratização do conhecimento. 
1.3 O PROBLEMA DE PESQUISA 
Através desta pesquisa, buscamos identificar como a literatura referente a 
aplicações de Big Data trata dos avanços tecnológicos e seus impactos na área da 
saúde. 
 
 
14 
 
1.4 OBJETIVO GERAL E ESPECÍFICOS 
O objetivo geral desta pesquisa é compreender o processo de Transformação 
Digital na saúde, identificando as principais aplicações, desafios, e como estas geram 
valor ou melhoram a entrega dos serviços de saúde aos indivíduos, ao mesmo tempo 
em que contribui e incentiva a adoção de tais tecnologias por stakeholders que 
possuam interesse no assunto e que em algum momento se deparem com esta 
Revisão. 
Como objetivos específicos, esta pesquisa buscará: 
a) Fazer uma revisão de literatura sobre os tópicos de Big Data e 
Transformação Digital na área da saúde. 
b) Definir os critérios para a revisão sistemática de literatura. 
c) Analisar os resultados à luz da teoria utilizada. 
d) Escrever e apresentar os resultados. 
 
1.5 DELIMITAÇÕES 
Nessa pesquisa, buscou-se por artigos que mencionem aplicações de Big Data 
em contextos relacionados à indústria da saúde, publicados entre 2017 e 2021, 
apresentados em inglês, português ou espanhol. A razão para tal delimitação consiste 
na busca por um conjunto de conhecimentos composto por publicações recentes, 
próximas dos tempos atuais, visando uma análise relevante para o presente e o futuro 
próximo. 
Torna-se necessário destacar também que ao redigir a revisão narrativa dos 
assuntos aqui tratados, encontramos certa dificuldade em trazer conteúdos e citações 
de outras revisões sistemáticas incluídas neste projeto. Atribuímos isso ao fato de os 
autores destas obras já terem realizado suas próprias revisões narrativas, trazendo 
conhecimento de autores terceiros. Com isso, optamos por priorizar a citação direta 
ou indireta de artigos exploratórios, que trazem um conteúdo primário, evitando o 
excesso de citações de terceiros (também conhecidos como apud). 
Há também de se destacar que na presente obra, optamos por desconsiderar 
artigos em que havia uma ênfase em aspectos técnicos ou aprofundados em uma 
15 
 
determinada tecnologia. Um dos principais objetivos desta pesquisa é a compreensão 
da temáticada Transformação Digital e do Big Data, trazendo luz à indivíduos que 
advenham de áreas de conhecimento adjacentes à saúde e à Administração de 
Negócios, além de outros stakeholders relacionados. 
Por fim, excluímos deste projeto os artigos em que para lê-los seria necessário 
efetuar um pagamento. 
1.6 ORGANIZAÇÃO GERAL DO TRABALHO 
Essa pesquisa está organizada da seguinte forma: No capítulo 1, apresenta-se 
a introdução ao projeto, justificativa de pesquisa, objetivos gerais e específicos e 
delimitações de estudo. Na sequência, o capítulo 2 abordará aspectos relacionados 
ao Referencial Teórico, incluindo os conceitos mais relevantes encontrados na 
literatura analisada, além de outros que se mostram substanciais à compreensão do 
projeto como um todo. Posteriormente, o capítulo 3 traz detalhadamente todos as 
etapas do processo de pesquisa, que vão desde os critérios de seleção dos artigos 
até a definição das perguntas-chave, além da meta-análise resultante deste processo. 
Em seguida, o capítulo 4 expõe os resultados da pesquisa através de uma análise 
narrativa. Por fim, o capítulo 5 contém todas as referências utilizadas para a 
concepção da pesquisa. 
 
 
 
 
 
 
 
 
 
 
16 
 
2 REFERENCIAL TEÓRICO 
2.1 BIG DATA, BIG DATA ANALYTICS, BUSINESS INTELLIGENCE E 
TRANSFORMAÇÃO DIGITAL 
O Big Data e o processo de Transformação Digital estão intrinsecamente 
relacionados. Wang e Byrd (2017, p. 16) apontam que a maior inovação em 
Tecnologia da Informação nos últimos tempos é o Big Data, e isso faz total sentido 
com o mundo em que vivemos. Segundo os autores, profissionais da medicina 
anseiam que suas instituições implementem novas abordagens de governança de 
dados, armazenamento e análise, de forma a conseguirem um entendimento holístico 
de saúde, a partir dados de pacientes em larga escala, que permite um avanço além 
do estado atual de conhecimento sobre tratamentos e doenças. 
A transformação digital no contexto da saúde é a adoção cada vez maior de 
tecnologias que contribuem com a otimização dos processos das organizações de 
saúde e de cuidados com os pacientes (PANDIT e MEHTA, 2018, p.57). Flórez et al. 
(2020, p.2) citam que a área da saúde passa por uma revolução chamada de saúde 
4.0, com a adoção de tecnologias como Internet das Coisas, Inteligência Artificial, 
Robótica, Blockchain, dentre outros. Essas tecnologias trazem benefícios às 
organizações de saúde, tornando a entrega do cuidado de saúde aos pacientes mais 
eficiente. 
O termo Big Data foi utilizado pela primeira vez em 1997 por Michael Cox e David 
Ellsworth em um artigo apresentado numa conferência, na tentativa de explicar os 
problemas e desafios que a visualização de grandes conjuntos de dados apresentava 
a sistemas de computação. Neste artigo, estes autores apontaram que conjuntos de 
dados volumosos demandam bastante da capacidade computacional disponível na 
época (COX; ELLSWORTH, 1997; WANG et al., 2015). 
Nos anos seguintes, houveram diversos avanços tecnológicos que começaram 
a gerar um grande volume de dados. Em termos de usabilidade de informação, os 
avanços não foram substanciais, conforme mencionam Wang et al. (2015, p.3045). 
Durante este período, os autores Wang et al. (2015, p.3045) também destacam o 
desenvolvimento do conceito de Business Intelligence (Inteligência de Negócios) que 
destacou a importância do armazenamento, integração, análise e interpretação de 
informações de negócio. Esse conceito se traduz em um conjunto de práticas que 
17 
 
auxilia um negócio a tomar decisões mais assertivas a partir das informações 
disponíveis e adquirir uma compreensão melhor dos comportamentos e tendências 
de mercado. Com isto, a aquisição de um grande volume de informações passou a se 
tornar um meio de vantagem competitiva de um negócio (WANG et al., 2015, p.3045). 
O período de 2001 a 2008 foi a fase evolucionária para o desenvolvimento do 
Big Data (WANG et al., 2015, p.3045). Pela primeira vez, o conceito foi definido com 
base em volume (arquivos ou dados específicos que compõem grandes conjuntos de 
dados), velocidade (dados que são criados com frequência) e variedade (dados em 
diversos formatos) de dados (“3 vês”), o que possibilitou o desenvolvimento de 
softwares mais complexos para abordarem a explosão de informações (WANG et al., 
2015, p.3045). Ao mesmo tempo, organizações de saúde começaram a digitalizar 
seus registros médicos e agregar dados clínicos em grandes bancos de dados. Esse 
desenvolvimento tornou os dados de saúde armazenáveis, utilizáveis, investigáveis e 
acionáveis, o que ajudou provedores de saúde praticarem uma medicina mais eficaz 
(WANG et al., 2015, p.3045). 
A partir de 2009, o Big Data esteve em sua fase revolucionária. Neste período, 
o Big Data começava a demonstrar seu potencial de coletar, organizar e processar 
dados. (BRYANT; KATZ; LAZOWSKA, 2008; WANG et al., 2015). O Big Data havia 
se tornado uma inovação importante para a temática de Inteligência de Negócios. 
Pesquisadores estavam prevendo uma mudança de dados estruturados para dados 
não-estruturados, além da saída de um ambiente estático para um ambiente em 
nuvem (WANG et al., 2015, p.3045). Algumas indústrias foram pioneiras, como 
bancos e e-commerce, e o impacto do Big Data nelas melhorou os processos de 
negócios, reduziu custos e atraiu novos clientes (WANG et al., 2015, p.3045). 
Recentemente, as três características principais de Big Data se transformaram em 
cinco, e passaram a ser conhecidas como “5 vês”. Kalbandi e Anuradha (2015, p.320-
321) as definem da seguinte forma: 
1) Volume: Representa o desafio mais imediato para as estruturas de 
Tecnologia da Informação. É o aspecto mais imaginável e compreensível 
quando pessoas pensam sobre Big Data. São os grandes conjuntos de 
dados, como as milhões de transações de pagamentos bancários efetuadas 
diariamente no mundo. 
18 
 
2) Velocidade: Se refere à velocidade de criação de dados, o que também 
demanda uma maior velocidade no processamento, armazenamento e 
análise. 
3) Variedade: Dados nem sempre são relacionais e estruturados. Isso quer 
dizer que a complexidade de armazenamento e análise também é maior do 
que dados convencionais. Segundo os autores, 90% dos dados de Big Data 
estão em formatos não estruturados. 
4) Veracidade: Quando estamos lidando com grandes volumes de dados, de 
enorme variedade e em uma velocidade enorme, é possível que a qualidade 
dos dados capturados varie. A precisão de análise depende da veracidade 
da fonte dos dados. 
5) Valor: Valor é o aspecto mais importante do Big Data. Ter uma enorme 
quantidade de dados é inútil se não podemos extrair valor deles. Além disso, 
a implementação de infraestruturas de Tecnologia da Informação 
preparadas para lidarem como Big Data é bastante onerosa, e as 
instituições que decidirem investir nestes projetos demandarão retorno 
financeiro. A extração de valor pode conferir vantagem competitiva aos 
negócios, e isso se traduz em retornos financeiros em diversos casos. 
Explorando ainda mais a literatura de Wang et al. (2015, p.3045), os autores 
citam que a infraestrutura de Big Data é composta por cinco camadas principais: 
dados, agregação de dados, analytics, exploração da informação e governança. Estas 
camadas constituem os componentes que realizam funções específicas, e permitem 
a tomadores de decisão da área da saúde transformarem dados de várias fontes em 
informações relevantes através de implementações de Big Data. 
Para os autores Wang et al. (2015, p.3045-3047), este é o significado de cada uma 
destas camadas: 
1) Camada de dados. Esta camada inclui todas as fontes de dados 
necessárias ao suporte das atividades diárias e a resolução de problemas 
de negócio. Os dados são estruturados (como em Registros Médicos 
Eletrônicos), semiestruturados (como em arquivos de dispositivos de 
monitoramento) e não-estruturados (como examesde imagem). Esses 
19 
 
dados são coletados de diversos lugares (internamente ou externamente) e 
serão armazenados em bancos de dados apropriados posteriormente. 
2) Camada de agregação de dados. Esta camada é responsável pelo 
manuseio de dados de várias fontes, que passarão por três etapas: extração 
(ou aquisição), transformação e armazenamento (este processo é bastante 
conhecido por sua sigla em inglês ETL – Extract, Transform, Load). O 
objetivo da etapa de aquisição é interpretar dados de diversos canais, 
frequências, tamanhos e formatos. Geralmente esta etapa é o maior 
obstáculo nas implementações de projetos de Big Data, dado o fato de que 
geralmente os dados de saúde têm bastante variedade de formatos. Na fase 
de transformação, o sistema escolhido deve conseguir manipular os dados 
adquiridos na etapa anterior, limpando, dividindo, juntando ou validando-os, 
conforme necessário. Por fim, os dados são armazenados em bancos de 
dados respeitando os princípios de compliance e de governança de dados. 
3) Camada de analytics. Esta camada está diretamente relacionada aos 
processos de análises (que aparecem frequentemente na literatura 
descritos como Big Data Analytics) de dados, e é nela em que ocorrem os 
processamentos de grandes volumes de dados que são analisados em 
tempo real ou sob demanda, a depender da infraestrutura de dados da 
organização. Essa etapa também suporta as decisões baseadas em 
evidências, analisando registros médicos eletrônicos, histórico de saúde 
dos pacientes, padrões de tratamento, dentre outras fontes. 
4) Camada de exploração de informações. Esta camada engloba diversos 
tipos de relatórios e formas de visualizações de dados, que são gerados 
através de conhecimentos adquiridos nos processos de análises. Esses 
relatórios são úteis no sentido de trazerem informações úteis ao dia a dia 
da organização, e auxiliarem na tomada de decisão de gerentes. 
Especialmente no que concerne a organizações de saúde, oferecendo 
monitoramento em tempo real de informações pertinentes, ajudando no 
monitoramento de pacientes ou prevenindo situações adversas através 
notificações ou alertas. 
5) Camada de governança de Big Data. Esta camada abrange três 
componentes que concernem os dados da instituição: A Gestão de Dados 
20 
 
Mestres, a Gestão do Ciclo de Vida da Informação e a Gestão de 
Privacidade e Segurança de dados. A Gestão de Dados Mestres se 
preocupa com os processos, governança, políticas, padrões e ferramentas 
para a gestão de dados. O objetivo é garantir que os dados mais importantes 
da instituição estejam imediatamente acessíveis, completos e precisos, de 
modo a apoiar os processos de análise e tomada de decisão. O componente 
de Gestão do Ciclo de Vida da Informação traz consigo um gerenciamento 
do “caminho” que os dados fazem no ecossistema da instituição, desde a 
aquisição até o armazenamento, no que tange inclusive à manutenção dos 
ambientes de armazenamento de dados, de testes ou de remoção dos 
dados de forma segura. O componente de Gestão de Privacidade e 
Segurança diz respeito aos mecanismos de controle e restrição de dados, 
que contribuem para a segurança dos dados individuais de pacientes (que 
são bastante sensíveis), evitando situações adversas como vazamentos de 
dados. 
 
2.2 ADMINISTRAÇÃO BASEADA EM EVIDÊNCIAS 
A administração baseada em evidências é um conceito que permeia os estilos 
de gerenciamento de empresas. Segundo Barends et al. (2014, p.4, tradução nossa), 
“a ideia básica de procedimentos baseados em evidências é de que boas decisões 
devem baseadas em uma combinação de pensamento crítico e das melhores 
evidências disponíveis”. A importância da adoção deste conceito é principalmente 
baseada no fato de que muitas decisões tomadas por gerentes são influenciadas por 
seus dogmas, crenças ou ideologias pessoais (PFEFFER e SUTTON, 2006). 
Para Barends et al. (2014, p.18), evidências nem sempre contém todas as 
respostas que precisamos para tomar uma decisão. Segundo eles, mesmo com certo 
grau de incerteza, tomadores de decisão devem pautar suas decisões em 
probabilidades ou conclusões provisórias. Dessa forma, é importante avaliar 
sistematicamente os resultados das decisões tomadas. 
A fim de tomar decisões de qualidade e que incrementem as chances de um 
resultado positivo, Barends et al. (2014, p.4) trazem seis passos que auxiliam na 
21 
 
implementação do conceito de administração baseada em evidências por tomadores 
de decisão. São eles: 
1) Perguntar: Traduzir um problema em uma pergunta passível de resposta 
2) Adquirir: Buscar sistematicamente e selecionar evidências 
3) Avaliar: Julgar criticamente a confiabilidade e a relevância das evidências 
4) Agregar: Ponderar e juntar as evidências 
5) Aplicar: Incorporar as evidências no processo de tomada de decisão 
6) Analisar: Avaliar o resultado da decisão tomada 
Durante este projeto, buscamos a análise das informações encontradas na 
literatura, e, principalmente, buscar o contexto lógico para o conhecimento trazido 
aqui. Apesar da motivação desta pesquisa não ser a resolução de nenhum problema 
específico, temos a consciência de que o conhecimento aqui presente pode nortear a 
tomada de decisão e a aplicação de ferramentas em empresas e outros tipos de 
instituições. Por isso, prezamos pela confiabilidade do conhecimento durante todos os 
momentos e encorajamos a leitura das referências e dos artigos na íntegra, quando 
necessário. 
 
 
 
 
 
 
 
 
 
 
 
 
22 
 
3 METODOLOGIA 
3.1 REVISÃO SISTEMÁTICA DE LITERATURA 
3.1.1 DEFINIÇÕES GERAIS E PROCESSO DE PESQUISA 
Uma Revisão Sistemática de Literatura consiste em um método de pesquisa em 
que há etapas e processos pré-definidos de antemão, podendo ser reproduzida por 
terceiros. Galvão e Ricarte definem o conceito da seguinte forma: 
É uma modalidade de pesquisa, que segue protocolos específicos, e que 
busca entender e dar alguma logicidade a um grande corpus documental, 
especialmente, verificando o que funciona e o que não funciona num dado 
contexto. Está focada no seu caráter de reprodutibilidade por outros 
pesquisadores, apresentando de forma explícita as bases de dados 
bibliográficos que foram consultadas, as estratégias de busca empregadas 
em cada base, o processo de seleção dos artigos científicos, os critérios de 
inclusão e exclusão dos artigos e o processo de análise de cada artigo. 
Explicita ainda as limitações de cada artigo analisado, bem como as 
limitações da própria revisão. (GALVÃO e RICARTE, 2020, v. 6 n. 1, p.57-73) 
Neste trabalho, utilizamos a plataforma Parsifal, disponível gratuitamente e 
desenhada para auxiliar nos processos de Revisões Sistemáticas de Literatura, 
contendo todos os mecanismos necessários para o desenvolvimento do projeto. 
Quanto ao processo de pesquisa, ele será descrito detalhadamente nos 
subcapítulos a seguir: 
3.1.2 FONTES DE INFORMAÇÃO 
A busca pelos artigos foi realizada nos bancos de dados dos portais Web of 
Science e Scopus. Além disso, também houve a consulta em alguns artigos 
considerados relevantes durante a pesquisa, que foram referenciados na leitura de 
outros artigos. Quanto aos artigos referenciados a partir da leitura dos artigos 
inicialmente encontrados nos portais citados, o motivo a inclusão destes foi a 
necessidade de trazer com clareza os conceitos e ideias originais na íntegra, evitando 
citações secundárias e diminuindo o risco de fazermos uma interpretação errônea em 
alguns casos. 
 
 
23 
 
3.1.3 PICOC 
Segundo o CEBMA - Center for Evidence-Based Management (2022), o PICOC 
é um conceito que se refere aos principais elementos de um processo de pesquisa. 
Cada letra da sigla se refere respectivamente à População, Intervenção, Comparação, 
Resultado e Contexto. Este conceito auxilia na reunião de palavras-chave que podem 
ser usadas nos portais de busca anteriormente citados. 
Com relaçãoa este projeto, descreve-se o PICOC na Tabela 1: 
Tabela 1 - A sigla PICOC 
P Organizações e praticantes, na área de gestão e médicos, da área da saúde. 
I 
Melhoria de eficiência e eficácia por meio do uso de tecnologias recentes e 
principalmente de tecnologias relacionadas ao Big Data na área da saúde. 
C Em branco. 
O 
Uma maior capacidade analítica para lidar com os desafios da atualidade na 
saúde. 
C Organizações de saúde no Brasil e no exterior. 
Fonte: autoria própria 
Com isto, pudemos extrair determinadas palavras-chave que foram utilizadas em 
seguida nas etapas de construção da sentença de busca e das perguntas que 
nortearam esta pesquisa. 
3.1.4 PERGUNTAS DE PESQUISA 
A partir dos registros do PICOC, criamos algumas perguntas que seriam a base 
para a criação da sentença de busca e das discussões do projeto. Essas perguntas 
estão descritas na Tabela 2. 
Tabela 2 - Perguntas de Pesquisa 
1) Quais são as principais tecnologias aplicadas na área da saúde que 
principalmente se relacionem ao Big Data nos últimos anos? 
2) No que essas tecnologias auxiliam, com relação à jornada do paciente e a 
resolução dos desafios encontrados na área da saúde? 
24 
 
3) Quais os maiores desafios encontrados no processo de adoção de tais 
tecnologias? 
4) Quais são as principais aplicações destas tecnologias? 
Fonte: autoria própria 
3.1.5 SENTENÇA DE BUSCA 
Com a definição do PICOC e das perguntas de pesquisa, determinamos a 
escolha de algumas palavras-chave (denominadas palavras-chave primárias) 
diretamente relacionadas a estes, a serem utilizadas na sentença de busca nos portais 
citados anteriormente. 
Além das palavras-chave primárias, também foram definidos alguns sinônimos 
relacionados a estas palavras-chave, incluídos com o objetivo de aumentarmos a 
quantidade de artigos resultante na pesquisa. Nossas pesquisas iniciais revelaram 
que as palavras-chave primárias traziam poucos resultados de busca, e por isso 
optamos pela inclusão de sinônimos delas. 
Tabela 3 - Palavras-chave, sinônimos correlatos e pilares do PICOC 
relacionados 
Palavras-chave Sinônimos Relacionados a: 
Aplicações de Big Data e 
Ciência dos dados 
“applications”; “big data”; 
“data science” 
Intervenção 
Capacidade Analítica 
“analytics”; “business 
intelligence”; “data 
analysis” 
Resultado (Outcome) 
Organizações 
“companhias”; 
“consultorias”; 
“empresas”; “companies” 
População 
Área da saúde 
“healthcare”; “healthcare 
industry” 
População 
Fonte: autoria própria 
Ao fazer isto, obtivemos uma enorme quantidade de artigos de diversas 
categorias a partir da sentença de busca utilizada (Figura 1). Com isso, foi necessário 
delimitar a busca selecionando as mais relevantes dentre as categorias existentes 
25 
 
nestes portais. As categorias foram simplesmente escolhidas com base em 
discussões entre os pesquisadores, baseando-se nos objetivos do projeto e nas 
informações anteriores do PICOC e das perguntas de pesquisa. 
Por fim, de forma a trazermos artigos relacionados à aplicação recente de 
tecnologias relevantes na saúde, delimitamos um espaço de tempo: apenas artigos 
publicados entre 2017 e 2021 foram selecionados, considerando as publicações nos 
últimos 5 anos. Os demais foram descartados. 
Figura 1 - Sentença de busca utilizada 
 
Fonte: autoria própria 
Os resultados de busca trouxeram 457 artigos. 
3.1.6 CRITÉRIOS DE SELEÇÃO DOS ARTIGOS 
A partir dos artigos obtidos anteriormente, definimos critérios que justificariam a 
inclusão dos artigos mais relevantes no projeto, obtidos na etapa anterior nos 
mecanismos de busca dos portais Web of Science e Scopus. Nesta etapa, fizemos a 
leitura do resumo (o abstract) dos 457 artigos e selecionamos para a próxima etapa 
da pesquisa os artigos com o resumo completo e que fossem relevantes à temática 
deste projeto. Ademais, os artigos excluídos foram aqueles em que o resumo estava 
incompleto ou que a partir dele identificamos não serem relevantes ao projeto ou que 
não possuíssem um tipo de estudo adequado. Por fim, também removemos os artigos 
duplicados. Ao final desta etapa totalizamos 69 artigos. 
3.1.7 AVALIAÇÃO DE QUALIDADE 
Com os artigos restantes, avaliamos o resumo de cada um dos artigos utilizando 
um sistema de pontos, buscando a classificação e a manutenção dos artigos de maior 
qualidade para o projeto. Assim, quatro perguntas foram definidas, podendo ser 
respondidas com Sim (1 ponto), Parcialmente (0,5 ponto) e Não (0 pontos). As 
perguntas foram as seguintes: 
26 
 
1. O estudo aumenta o conhecimento sobre a questão de pesquisa? Sim: 
Apresenta contribuição para o tema da pesquisa. Parcialmente: Tangencia 
o tema da pesquisa. Não: Contribuição superficial. 
2. As conclusões ou resultados esperados são relevantes e foram 
alcançados? Sim: Cumpriu o objetivo e apresentou resultados relevantes. 
Parcialmente: Alcançou resultados esperados ou relevantes. Não: 
Resultados irrelevantes ou não foram alcançados. 
3. Os métodos utilizados no estudo são adequados ao objetivo proposto e bem 
executados? Sim: O método de pesquisa é adequado e bem executado. 
Parcialmente: O método é adequado ou é bem executado. Não: O método 
é inadequado e mal executado. 
4. Os objetivos do estudo estão indicados claramente? Sim: O objetivo está 
claro e explícito. Parcialmente: O propósito da pesquisa não está claro. Não: 
Não mencionou qualquer frase sobre o objetivo da pesquisa. 
Nesta etapa, os artigos classificados com 2,5 pontos ou mais foram aprovados 
para leitura. Os demais foram excluídos do projeto. Ao fim, restaram 34 artigos. 
Ao iniciar o processo de leitura dos artigos restantes, nos deparamos com 
alguns artigos inacessíveis, ou que cobravam pelo acesso. Com isso, excluímos 5 
artigos. 
Por fim, um dos artigos selecionados continha um título diferente daquele 
apresentado nos portais de busca. Este, apresentado inicialmente como The adoption 
of business intelligence systems in small and medium enterprises in the healthcare 
sector: A systematic literature review, quando acessado diretamente através de seu 
DOI (University of Illinois Chicago, 2018)1, consistia em um artigo com resumo e título 
sensivelmente diferentes. Optamos por desconsiderá-lo. 
Com isso, finalizamos o processo de seleção com 29 artigos. No tópico a seguir, 
estão descritas visualmente todas as etapas deste processo. 
 
 
 
1 Digital Object Identifier, um código que identifica e diferencia artigos e documentos na internet. 
27 
 
3.1.8 FLUXOGRAMA PRISMA – PROCESSO DE PESQUISA 
Em suma, o processo de pesquisa percorreu as etapas descritas no fluxograma a 
seguir. 
Figura 2 - Fluxograma PRISMA 
 
Fonte: autoria própria 
 
28 
 
4 RESULTADOS 
Para conceber os resultados desta pesquisa, utilizamos um mapa mental no 
Obsidian, um software gratuito de gestão do conhecimento. Criamos anotações a 
partir do conhecimento adquirido através da leitura dos artigos selecionados, e 
segmentamos estas anotações em categorias específicas. A partir disso, pudemos 
relacionar diferentes vertentes do conhecimento encontradas nos artigos, através de 
conexões entre as anotações criadas (Figura 2). 
Figura 3 - Fragmento do mapa visual de conhecimento construído no Obsidian 
 
Fonte: autoria própria 
A conexão entre diferentes anotações de ideias nos permite criar fragmentos 
de conhecimento. Utilizamos um sistema de anotações em que, a partir de 
determinada passagem dos textos que lemos e que nos chamasse a atenção por 
qualquer motivo, nós criaríamos uma nota. Cada nota contém uma interpretação 
29 
 
individual do conhecimento do autor, e possivelmente, uma relação com outra nota, 
de forma a buscarmos relações entre diferentes autores. Incluímos em cada nota uma 
“etiqueta” que identifica seu tem, um título, e as passagens de textos que nos 
inspiraram a escrevê-la. Essa prática foi inspirada no métodode gestão de 
conhecimento de Niklas Luhmann, acadêmico que publicou dezenas de livros e 
artigos de diferentes áreas do conhecimento em sua vida (AHRENS, 2017, p.12-20). 
A seguir, encontram-se algumas relações que geraram conclusões relevantes aos 
leitores. 
4.1 APLICAÇÕES DE BIG DATA E TRANSFORMAÇÃO DIGITAL 
Nesta pesquisa, catalogamos todas as aplicações citadas nos artigos e as 
agrupamos em categorias (Gráfico 1). Destas, as aplicações de Inteligência Artificial 
foram as mais citadas, com especial relevância à usos de Machine Learning e PLN 
(Processamento de Linguagem Natural), incluindo outros usos como o 
reconhecimento de anomalias em exames de imagem e a priorização de pacientes 
diagnosticados com a Covid-19 em Senbekov et al. (2020). Flórez et al. (2020) por 
sua vez cita que uma das possibilidades de aplicação de Inteligência Artificial na saúde 
é a análise do tempo de espera em salas de atendimento de hospitais. Essa 
informação pode ser processada por algoritmos de Inteligência Artificial a partir de 
análises de vídeo, e com isso, técnicas de estatística podem ser aplicadas nestes 
dados. 
Outra aplicação bastante citada dentre os artigos analisados foi o uso de 
dispositivos inteligentes, também conhecidos como wearables. Segundo Alterazi 
(2021, p.2), dispositivos inteligentes capturam informação constantemente. Daí surge 
também a necessidade de processar dados em alta velocidade, principalmente em 
emergências. É neste contexto em que há uma conexão com o terceiro tema mais 
citado na literatura analisada: O Big Data Analytics. 
Big Data Analytics (BDA) é peça chave no processo de Transformação Digital e 
se relaciona com grande parte das demais aplicações citadas. Para Wang et al. 
(2015), ele representa a capacidade analítica de uma organização, que consiste no 
processamento e na análise de grandes volumes de dados de pacientes em tempo 
real, apoiando decisões médicas baseadas em evidências. Segundo Alterazi (2021, 
30 
 
p.2), as aplicações de Big Data Analytics possibilitam uma visão de dados em todas 
as direções e relações, o que facilita o processo de prever e determinar qual é o 
tratamento mais adequado para um paciente considerando diversas variáveis. A esta 
visão, Wang e Hajili (2017, p.31) complementam que a capacidade analítica permite 
às organizações de saúde que identifiquem padrões e associações em seus dados, 
promovendo uma visão ampla do cuidado com o paciente, e com isso, permite 
observar os padrões de readmissão de pacientes e diminuí-los com ações corretivas. 
Ainda sobre Big Data Analytics, Wang et al. (2019, p.19) complementam que a 
interpretação incorreta de dados pode levar a sérios erros. Para estes autores, as 
organizações de saúde devem possuir profissionais que possuam conhecimento 
suficiente para entenderem o contexto organizacional em que estão inseridos e o 
contexto de origem específico dos dados, e tais profissionais são cruciais para o 
sucesso dos projetos de BDA nas organizações. 
Gráfico 1 - Aplicações de Big Data e Transformação Digital 
 
Fonte: autoria própria 
 
 
31 
 
4.2 EXEMPLOS PRÁTICOS DE APLICAÇÕES DE FERRAMENTAS DE 
BIG DATA E TRANSFORMAÇÃO DIGITAL 
Dentre a literatura analisada, três temáticas se destacam: Redução de custos 
operacionais; Prevenção de riscos/fatalidades; e Otimização de processos. Essas 
temáticas apareceram em ao menos metade (aproximadamente 51%) dos artigos 
analisados (vide Gráfico 2). 
A redução de custos operacionais é um tema que se relaciona com diversos 
aspectos do processo de entrega de cuidados de saúde, e com outras temáticas aqui 
citadas, como a otimização de processos por exemplo. Ademais, segundo Alterazi 
(2021, p.2), o aumento da expectativa de vida da população também amplia os gastos 
com saúde, e as aplicações de Big Data podem contribuir bastante no processo de 
redução de custos operacionais. Os autores Marashi e Hamidi (2018, p.571) citam que 
a extração de informações de Big Data pode melhorar indicadores, eliminar custos 
excessivos e desnecessários e aumentar a segurança dos pacientes. 
Há também formas de redução de custos diretamente suportados pelos 
pacientes. Em alguns diagnósticos, há tratamentos que exigem visitas regulares a 
instituições de saúde, e Alterazi (2021, p.5) cita que dispositivos inteligentes 
(wearables) e Internet das Coisas podem substituir as medições de informações de 
condições físicas dos pacientes, o que eliminaria a necessidade de deslocamentos 
regulares, tornando alguns tratamentos de saúde mais baratos para os pacientes. Isso 
seria possível graças ao envio dessas informações aos médicos, demandando uma 
infraestrutura específica para este tipo de atendimento. 
A prevenção de riscos e fatalidades é algo que também pode ser aperfeiçoado 
com técnicas de Big Data Analytics. Segundo Alterazi (2021, p.2), tais aplicações 
permitem uma visão de 360º de dados clínicos, o que ajuda a determinar o melhor 
tratamento para cada paciente, considerando diversas variáveis. 
A melhoria da jornada do paciente foi uma das temáticas mais citadas dentre a 
literatura analisada. Este tema foi citado em 13 artigos (cerca de 44% do total da 
literatura analisada). Nossas análises indicam que os pacientes recebem bastante 
valor de aplicações de ferramentas de Big Data e Transformação Digital. Kulkov 
32 
 
(2021, p. 11) por exemplo, discorre sobre produtos de Inteligência Artificial e os 
impactos para os stakeholders da saúde. Segundo este autor, os pacientes podem 
ser beneficiados de diversas formas por aplicações de Inteligência Artificial em uma 
miríade de possibilidades, tais como: economia do tempo dos pacientes em um 
atendimento médico; acelerar a tomada de decisão de seus médicos; preverem uma 
doença num estágio prematuro; evitarem uma longa espera em caso de emergências; 
identificarem doenças raras e facilitarem o tratamento mesmo sem a presença de 
especialistas; e democratizarem o acesso à tratamento de qualidade, seja qual for seu 
país ou condição financeira (KULKOV, 2021, p. 11). 
Para Alterazi (2021, p.2), uma das aplicações possibilitadas pelo Big Data que 
modifica a trajetória do paciente é o envio de perguntas sintomáticas através do 
celular, possibilitando um "pré-diagnóstico" dos pacientes, acelerando o atendimento. 
Seria possível facilitar o processo de triagem de um paciente, permitindo que ele 
descreva seus sintomas atuais e quando ele chega ao hospital, parte do quadro clínico 
já está descrito, acelerando o atendimento e reduzindo o tempo de espera. 
Gráfico 2 - Categorias de aplicações de ferramentas mais citadas dentre a literatura 
analisada 
 
Fonte: autoria própria 
 
 
33 
 
4.3 ORGANIZAÇÕES DE SAÚDE 
Quanto aos tipos de organizações presentes na literatura analisada, a maioria 
dos artigos (62%) não mencionava nenhuma organização em que houvesse a 
aplicação ou a utilização de ferramentas de Big Data ou Transformação Digital 
(Gráfico 3). Isto é, em sua maioria, estes artigos apresentam relatos de aplicações ou 
descrevem possibilidades de uso, mas não especificam exatamente o tipo de 
organização em que foram implementados. 
Dentre os tipos de organizações citadas, os Hospitais estiveram dentre os mais 
citados. Eles apareceram em cerca de 24% dos artigos analisados. Aqui, torna-se 
necessário destacar que em todos os artigos em que Clínicas foram citadas, Hospitais 
também foram citados. Ou seja, as aplicações que seriam utilizadas em Clínicas 
também seriam adequadas para ambientes hospitalares. E dentre as aplicações em 
comum dentre Clínicas e Hospitais, destacam-se Big Data Analytics, Dispositivos 
Inteligentes, Telemedicina, Registros Médicos Eletrônicos e Inteligência Artificial. 
Órgãos Governamentais foram citados em somente dois artigos. Em um deles, 
o autor Aula (2019) discorre acerca do processo de reforma da legislação acerca do 
uso de dados de saúde na Finlândia. É um artigointeressante, e que merece ser 
considerado como um relato relevante para a reforma ou a instituição de legislações 
acerca do uso de dados de saúde em quaisquer outros países. Ademais, para que 
possamos gozar dos benefícios de aplicações de Big Data, precisamos nos assegurar 
que há respeito à privacidade dos indivíduos que terão seus dados analisados. Logo, 
é necessário que existam regulações que protejam os interesses desses indivíduos. 
Quanto às Startups, o único artigo encontrado faz menção à modelos de 
negócios de Startups que oferecem soluções de IA para instituições de saúde, além 
do processo de criação de valor dessas soluções e a comunicação com stakeholders. 
Por fim, não foram encontrados quaisquer artigos que mencionassem 
laboratórios farmacêuticos, tampouco distribuidores de produtos de saúde ou 
operadores de saúde não foram analisados em nosso projeto. A isto, nossa hipótese 
é de que os artigos que citassem estas categorias de instituições podem ter sido 
reprovados em nossas etapas de filtragem de artigos. 
 
34 
 
Gráfico 3 - Tipos de organizações citadas em artigos 
 
Fonte: autoria própria 
4.4 DESAFIOS DE APLICAÇÃO DE FERRAMENTAS 
Em nossa pesquisa, identificamos que a Segurança de dados é o desafio mais 
citado dentre a literatura analisada (Gráfico 4). Esta categoria esteve presente em 
55% dos artigos, sendo predominante sobre as demais categorias. 
A Segurança de dados é um tema intrínseco a quaisquer aplicações de 
ferramentas que se utilizem de dados. Em saúde, estamos falando de dados de 
pessoas, e o processamento incorreto desses ou o vazamento de dados pode gerar 
consequências catastróficas. Segundo a literatura, é de suma importância que existam 
mecanismos que garantam a segurança dos processos de gestão de dados, que 
permeiam o armazenamento, análise ou a captura dos dados. Wang et al. (2019, p.3) 
citam que o volume em constante crescimento de dados de saúde desafia as 
capacidades de gestão de dados das organizações de saúde. Ainda segundo estes 
autores, a necessidade de uma melhor gestão de dados não é uma exclusividade 
nesta indústria, mas é ainda mais relevante do que em outras indústrias devido ao fato 
de que os dados dizem respeito ao bem-estar dos pacientes. Logo, a perda ou o 
vazamento de dados pode ter impacto direto em relação a estes indivíduos. 
35 
 
A segunda categoria que mais apareceu dentre a literatura analisada (em 51% 
dos artigos) consiste em um agrupamento de temas citados que fazem menção à três 
subtemas: Interoperabilidade entre sistemas (que se refere à interação entre 
diferentes sistemas com relação à integração de dados entre si ou à migração de um 
sistema para outro); a Escalabilidade (que se refere à característica de aumento de 
capacidade de processamento, armazenamento ou captura de dados); e a 
dificuldades com relação a interface visível ao usuário final. 
O fato de que mais da metade da literatura analisada cita algum dos sub-temas 
da categoria de Interoperabilidade, Escalabilidade e interface amigável nos faz 
concluir que as ferramentas que revolucionam a área da saúde devem ter especial 
cuidado com tais características. Especialmente acerca de Sistemas de Informação, 
que são alimentados por um volume massivo de informações e precisam considerar 
todas as nuances dos processos de entrega de cuidado de saúde. Ou seja, no 
contexto de uma transição entre sistemas ou a conexão entre diferentes bancos de 
dados, deve haver um especial cuidado com o fluxo de informações e com a 
infraestrutura de dados. Com relação à Escalabilidade, a preocupação é justamente 
no sentido de conseguir armazenar quantidades massivas de informação de 
diferentes tipos. Por fim, a questão da Interface é importante no contexto de que em 
determinados momentos, os usuários finais podem não serem adeptos de certos tipos 
de tecnologias. 
Aqui, julgamos importante mencionar que a falta de profissionais capacitados 
também é um fator de desafio em projetos de Transformação Digital ou de aplicações 
de ferramentas de Big Data, mencionado em cerca de 25% da literatura analisada 
aqui. Por exemplo, para Sapci e Sapci (2019, p.2), o avanço das tecnologias 
disruptivas superou a velocidade do aprendizado sobre elas em instituições 
acadêmicas. Assim, a falta de pessoal qualificado se mostra como uma das principais 
barreiras para a adoção destas tecnologias. O estudo destes autores, denominado 
Digital continuous healthcare and disruptive medical Technologies: M-Health and 
telemedicine skills training for data-driven healthcare mostrou que muitos acadêmicos 
estão despreparados para utilizarem as tecnologias mais recentes de monitoramento 
de pacientes. O estudo mostrou uma associação consistente entre o treinamento 
prático com os dispositivos de monitoramento remoto e a confiança em seu uso. Os 
autores desse artigo conceberam um laboratório de simulação para capacitarem 
36 
 
pessoas para lidarem com tecnologias disruptivas de saúde e uma das conclusões do 
estudo é de que os médicos do amanhã podem ter dificuldades na hora de lidarem 
com tecnologias relacionadas a dispositivos inteligentes, mas que com o treinamento 
adequado, é possível qualificar esses profissionais. E com isso, o contato com estas 
tecnologias no meio acadêmico é um fator que pode diminuir a resistência à adoção. 
Isso se relaciona com Kulkov (2021, p.10), que cita que médicos são peça-chave na 
implementação de novas ferramentas, que entregam valor aos médicos quando 
auxiliam na tomada de decisão e ajudam na redistribuição de seu tempo, 
automatizando algumas tarefas por exemplo. 
Outro desafio que merece menção especial e que esteve presente em 
aproximadamente um terço dos artigos analisados é a mudança na cultura da 
organização. Quanto a este desafio, o estudo de Wickramasinghe e Schaffer (2018, 
p.140) nos fornece a importante conclusão de que diferentes indivíduos (médicos, 
enfermeiros, farmacêuticos, gerentes, dentre outros) possuem diferentes visões 
acerca do armazenamento de dados de qualidade, precisos e detalhados. Para nós, 
é essencial que indivíduos que não estão naturalmente conscientes dos dados que 
geram estejam cientes de sua importância durante todo o processo de implementação 
de ferramentas de Big Data e do processo de transformação digital. Por isso, 
reconhecemos a importância e recomendamos que a cultura de dados seja cultivada 
nas instituições de saúde, para que bons hábitos sejam criados e que resultados e 
conclusões confiáveis sejam obtidas através de dados. 
Gráfico 4 - Desafios de aplicação de ferramentas segmentados por quantidade de 
artigos em que foram mencionados 
 
Fonte: autoria própria 
37 
 
4.5 PERFIL GERAL DOS ARTIGOS ANALISADOS 
Dos artigos analisados nesta revisão sistemática de literatura, também 
identificamos e catalogamos o perfil de cada um deles (Gráfico 5). Aqui, julgamos 
curioso o fato de que encontramos muitas outras Revisões Sistemáticas de Literatura 
na literatura analisada em que observamos a presença de inúmeras citações 
secundárias. Com isso, tivemos especial cuidado na escolha das citações diretas e 
indiretas a serem citadas neste projeto, evitando ao máximo a presença de apuds. 
Mesmo assim, a presença destas Revisões foi útil no sentido de nos apresentar artigos 
relevantes. 
Apresentações de frameworks e estudos de caso nos trouxeram exemplos do 
cotidiano de aplicações ou metodologias relevantes, como o artigo A Privacy-
Preserving Infrastructure for Analyzing Personal Health Data in a Vertically Partitioned 
Scenario, em que os autores Sun et al. (2019) propõem uma metodologia de análise 
de dados de grande escala preservando a privacidade dos pacientes envolvidos, 
encriptando os dados e criando uma infraestrutura segura de acesso e análise. 
Gráfico 5 - Segmentação gráfica de artigos por perfil 
 
Fonte: autoria própria 
 
4.6 A REVOLUÇÃO NA ÁREA DA SAÚDE 
A área dasaúde tem se digitalizado com rapidez, em um verdadeiro fenômeno 
Transformação Digital. No passado, eram comuns as práticas de registro de 
38 
 
informações em papel (como em receitas e prontuários médicos). Hoje, a indústria da 
saúde se mostra extremamente voltada para futuro, com um crescimento vertiginoso 
do uso de Registros Médicos Eletrônicos (RME) e Sistemas de Informação de Saúde 
(SIS). Essa Transformação Digital trouxe consigo o Big Data e o uso de diversas 
ferramentas tecnológicas. Então, todo o ecossistema de saúde pode se tornar mais 
eficiente, entregando melhores tratamentos aos pacientes, democratizando o acesso 
aos serviços de saúde e diminuindo os custos envolvidos nisso, mantendo a qualidade 
do serviço e tendo o paciente como centro dessa Transformação Digital (PANDIT e 
MEHTA, 2018, p. 57) 
O Big Data se mostra como uma das principais aplicações dessa Transformação 
Digital. Aplicações de Big Data possibilitam uma visão de dados em todas as direções 
e relações. Assim, fica mais fácil prever e determinar qual é o tratamento mais 
adequado para um paciente, considerando diversas variáveis (ALTERAZI, 2021, p. 2). 
Além disso, conforme a população acaba tendo uma expectativa de vida maior, 
aumentam os custos com saúde e cuidados clínicos. Por isso se torna tão importante 
buscar eficiência através de aplicações de Big Data. (ALTERAZI, 2021, p. 2). 
Os Sistemas de Big Data de saúde contêm dados que podem ser usados para 
melhorarem indicadores e eliminarem custos excessivos e desnecessários, tornando 
as organizações de saúde mais eficientes (MARASHI e HAMIDI, 2018, p.571). Essa 
eficiência se traduz numa entrega de serviços (de cuidados de saúde e tratamentos) 
de maior qualidade. Para Househ et al., (2017), o termo Big Data é bastante usado 
para se referir à melhora dos resultados dos pacientes e a melhora da entrega de 
cuidados de saúde. Com isso, nota-se uma correlação entre a utilização de técnicas 
e a aplicação de ferramentas relacionadas ao Big Data com a melhoria dos serviços 
e processos das organizações de saúde como um todo. 
4.7 DADOS SÃO O CENTRO E A BASE DA TRANSFORMAÇÃO 
DIGITAL BASEADA EM BIG DATA 
Os dados de saúde possuem um potencial de aprimorarem o serviço de saúde, 
e para isso devem ser vistos como um "ativo" capaz de entregar vantagens 
competitivas ao negócio (PANDIT e MEHTA, 2018, p.57, apud MURDOCH e 
DETSKY, 2016). 
39 
 
Os dados de saúde são tão grandes e complexos que ferramentas tradicionais 
de análise, processamento e manutenção de dados geralmente não conseguem dar 
conta (MARASHI e HAMIDI, 2018, p.570). Por isso, são necessários investimentos 
que possibilitem a adoção de sistemas de informação compatíveis com o Big Data; 
servidores, computadores e softwares com capacidade suficiente de processamento 
de grandes volumes de dados; e o recrutamento de pessoal qualificado e competente 
para a manipulação destes recursos. 
Segundo Marashi e Hamidi (2018, p.574), o gerenciamento de dados 
estruturados e não-estruturados é o maior desafio das organizações de saúde. Além 
do gerenciamento, a própria natureza complexa desses dados faz com que toda a 
cadeia do ciclo de vida da informação precise ser bem estruturada para comportar 
sistemas robustos de Big Data, preservando a segurança dos dados e utilizando-os 
com eficácia para que as organizações consigam extrair valor a partir deles. 
 
4.8 A PREOCUPAÇÃO COM A PRIVACIDADE E A SEGURANÇA DOS 
DADOS E COMO A GOVERNANÇA DE DADOS PODE 
ASSEGURAR ISSO 
A governança de dados possui um papel relevante na implementação de projetos 
de Big Data, devido ao fato de garantir a qualidade, segurança, privacidade e o ciclo 
de vida dos dados coletados e armazenados (Wang et al., p.21, 2019 apud KHATRI e 
BROWN, 2010). Isso se torna ainda mais relevante devido ao fato de estarmos lidando 
com dados de pacientes, que muitas vezes são sensíveis e complexos. 
O papel da governança de dados é assegurar os dados com os quais as 
organizações de saúde vão lidar estejam em conformidade com as normas vigentes 
e possibilitem seu processamento e a geração de valor em seguida. Segundo os 
autores apontam, a chave para uma governança de dados bem-sucedida são ás 
práticas de governança e as pessoas envolvidas, afetadas pelas iniciativas de Big 
Data (Wang et al., 2019, p. 22). 
40 
 
Adotar políticas de dados e de compliance que sejam rigorosas e restrinjam as 
permissões de usuários garante a manutenção de um ambiente seguro para o uso de 
dados de pacientes (Wang et al., 2019, p.23). 
Para Wang et al. (2019, p.3), a área da saúde contém diversas fontes de dados 
em crescimento rápido e constante, que assim como em outras indústrias, apresentam 
desafios com relação ao armazenamento seguro deste volume de dados. Segundo 
estes autores, na área da saúde, isso se mostra vital. Dados são relacionados ao bem-
estar de seus pacientes. Logo, a perda ou o vazamento de dados pode ter impacto 
direto em relação a estes indivíduos. 
Os vazamentos de dados são uma preocupação bem grande quando estamos 
falando do processo de Transformação Digital na saúde. Para Seh et al. (2020, p.3), 
o impacto de um vazamento de dados é quase imensurável, já que há implicações 
que vão além dos impactos financeiros. Nesses casos, a imagem e a reputação das 
organizações e de suas marcas também fica "manchada". Seh et al. (2020, p.4) citam 
que há dois tipos de vazamentos de dados: externos e internos. Segundo eles, os 
vazamentos externos são aqueles em que há a intervenção ou atuação de uma 
entidade ou um indivíduo que não é parte da organização. Geralmente, são ataques 
fruto de técnicas de hacking. Os vazamentos internos são aqueles que são auxiliados 
por um agente ou indivíduo que é parte da organização. Esses vazamentos podem 
acontecer a partir de práticas de descarte inadequado de dados sensíveis; perda ou 
roubo; compartilhamento, divulgação ou acesso a um indivíduo não-autorizado; e 
abuso de privilégio. 
Nossa recomendação para os stakeholders que conduzirem processos de 
Transformação Digital em suas organizações é de que tenham cuidado especial com 
os dados de saúde desde o primeiro momento. Uma infraestrutura robusta de dados 
e uma governança robusta se mostram como mecanismos de defesa valiosos. 
 
 
 
41 
 
5 CONSIDERAÇÕES FINAIS 
Este trabalho de pesquisa buscou explorar a temática do Big Data com especial 
interesse em suas aplicações na área da saúde. Enxergamos um enorme potencial 
na geração de valor através de dados e sabemos que há muitos indivíduos que talvez 
desconheçam as possibilidades que o Big Data pode oferecer, sendo da área da 
saúde ou não. Assim, trouxemos aplicações relevantes que possam ser do interesse 
geral de tais indivíduos, desafios a serem superados ou gerenciados, tipos de 
instituições passíveis de receberem tais aplicações e outras discussões relevantes. 
Reconhecemos a importância de trazermos luz ao tema e contribuirmos ao debate. 
Nossa pesquisa identificou diversas categorias dentre a literatura analisada, 
tendo como destaque as aplicações de Inteligência Artificial, principalmente com 
relação à algoritmos de Machine Learning e PLN, na análise de exames de imagem 
ou na digitalização de prontuários médicos. Em meio à Covid-19, a priorização de 
pacientes também foi citada. O uso de dispositivos inteligentes também se mostrou 
bastante presente, através de sensores que capturam dados constantemente (na 
aferição de pressão, batimentos e outras características de saúde). Este uso também 
se relaciona diretamente com Big Data Analytics, que representa as análises de dados 
em alta velocidade, trazendo uma visão holística do paciente e de possíveis 
tratamentos. 
Além disso, trouxemos os exemplos práticos e os objetivos mais comuns dentre 
os artigos analisados, com destaque para três temáticas que se mostraram presentes 
em metade dos artigos: Redução de custos,prevenção de riscos e otimização de 
processos. Estes temas têm bastante relação entre si e o Big Data traz soluções 
relevantes. 
O aumento da expectativa de vida populacional também contribui para o 
aumento de custos com saúde, e as aplicações de Big Data podem trazer melhorias 
às instituições de saúde. A escolha de um tratamento mais adequado para um 
paciente através de modelos de Big Data Analytics pode ao mesmo tempo reduzir 
custos ao mesmo tempo em que diminui as chances de fatalidade. 
42 
 
A melhoria da jornada do paciente também traz otimização de processos. É 
possível, por exemplo, implementar formas de acompanhamento remoto, através do 
uso de dispositivos inteligentes em tratamentos de saúde. 
As aplicações de Big Data trazem consigo alguns desafios. Dentre eles, a 
segurança dos dados foi o desafio mais citado. Os dados de saúde são sensíveis e 
qualquer vazamento pode trazer impactos em várias esferas. A gestão de dados é um 
desafio. Por outro lado, há uma preocupação latente com a escalabilidade de 
sistemas, o intercâmbio de informações e a necessidade de uma interface amigável, 
principalmente aos médicos e enfermeiros. Aqui, vale o destaque também para a 
mudança na cultura da organização. Muitos profissionais de Saúde não possuem 
plena consciência da importância do quanto dados podem trazer benefícios para si 
mesmos. Essa consciência pode diminuir a resistência a mudanças no ambiente. 
Através desta revisão sistemática pudemos trazer um ponto de partida relevante 
para indivíduos interessados na aplicação de ferramentas de Big Data, conhecendo 
as principais ferramentas, suas principais aplicações e objetivos, além dos desafios 
mais frequentes. Com isso, a criação de valor de organizações de saúde pode ser 
maximizada. 
 
 
 
 
 
 
 
 
 
43 
 
 
 
 
 
 
6 REFERÊNCIAS 
AHRENS, S. How to take smart notes: one simple technique to boost writing, learning 
and thinking. CreateSpace Independent Publishing Platform. 2017. 
ALTERAZI, H. A. Towards Reaping the Promotions of Big Data in Healthcare Services. 
International Transaction Journal of Engineering, v. Management, p. 12A5G: 110, 
2021. 
BARENDS, E.; ROUSSEAU, D. M.; BRINER, R. B. Evidence-based Management: The 
Basic Principles. CEBMA – Center for Evidence-based Mangement, 2014. 
Disponível em https://www.cebma.org/wp-content/uploads/Evidence-Based-Practice-
The-Basic-Principles.pdf. Acesso em 26 de junho de 2022. 
BRYANT, R. E.; KATZ, R. H.; LAZOWSKA, E. D. Big-Data Computing: Creating 
revolutionary breakthroughs in commerce, science, and society: A white paper 
prepared for the Computing Community Consortium committee of the Computing 
Research Association. Computing Research Association. 2008. Disponível em 
<https://cra.org/ccc/wp-content/uploads/sites/2/2015/05/Big_Data.pdf>. Acesso em 
26 de junho de 2022. 
FLÓREZ, C. A. C.; ROSÁRIO, J. M.; HURTADO, D. A. Application of Automation and 
Manufacture techniques oriented to a service-based business using the Internet of 
Things (IoT) and Industry 4.0 concepts. Case study: Smart Hospital. Gestão & 
Produção, v. 27, n. 3, p. e5416, 2020. 
https://www.cebma.org/wp-content/uploads/Evidence-Based-Practice-The-Basic-Principles.pdf
https://www.cebma.org/wp-content/uploads/Evidence-Based-Practice-The-Basic-Principles.pdf
https://cra.org/ccc/wp-content/uploads/sites/2/2015/05/Big_Data.pdf
44 
 
GALVÃO, M .C. B. e RICARTE, I. L. M. Revisão sistemática da literatura: 
conceituação, produção e publicação. LOGEION: FILOSOFIA DA INFORMAÇÃO. 
Rio de Janeiro, v. 6 n. 1, p.57-73, set.2019/fev. 2020. 
HOUSEH, M. S. et al. Big Data, Big Problems: A Healthcare Perspective. Informatics 
Empowers Healthcare Transformation. v. 238, p. 36–39, 1 jan. 2017. 
KALBANDI, I.; ANURADHA, J. A Brief Introduction on Big Data 5Vs Characteristics 
and Hadoop Technology. Procedia Computer Science, v. 48, p. 319–324, 2015. 
KULKOV, I. Next-generation business models for artificial intelligence start-ups in the 
healthcare industry. International Journal of Entrepreneurial Behavior & 
Research, v. ahead-of-print, n. ahead-of-print, 15 out. 2021. 
MARASHI, P. S.; HAMIDI, H. Business Challenges of Big Data Application in Health 
Organization. In: KHAJEHEIAN, D.; FRIEDRICHSEN, M.; MÖDINGER, W. (Eds.). . 
Competitiveness in Emerging Markets. Contributions to Management Science. 
Cham: Springer International Publishing, 2018. p. 569–584. 
PANDIT, A.; MEHTA, N. Concurrence of big data analytics and healthcare: A 
systematic review. International Journal of Medical Informatics, v. 114, p. 57–65, 
2018. 
PFEFFER, J.; SUTTON, R. I. Evidence-Based Management. Harvard Business 
Review, 2006. Disponível em <https://hbr.org/2006/01/evidence-based-
management>. Acesso em 26 de junho de 2022. 
WANG, Y.; HAJLI, N. Exploring the path to big data analytics success in 
healthcare. Journal of Business Research, v. 70, p. 287–299, jan. 2017. 
WANG, Y. et al. Beyond a Technical Perspective: Understanding Big Data 
Capabilities in Health Care. Em: 2015 48TH HAWAII INTERNATIONAL 
CONFERENCE ON SYSTEM SCIENCES (HICSS). HI, USA: IEEE, jan. 2015. 
Disponível em: <http://ieeexplore.ieee.org/document/7070183/>. Acesso em: 26 jun. 
2022 
https://hbr.org/2006/01/evidence-based-management
https://hbr.org/2006/01/evidence-based-management
http://ieeexplore.ieee.org/document/7070183/
45 
 
WICKRAMASINGHE, N.; SCHAFFER, J. L. Enhancing healthcare value by applying 
proactive measures: the role for business analytics and intelligence. International 
Journal of Healthcare Technology and Management, v. 17, n. 2/3, p. 128, 2018. 
WHAT is a DOI and how do I use it in a citation? University of Illinois Chicago, 
Disponível em: <https:/researchguides.uic.edu/doi/> Acesso em: 16 de maio de 2022. 
WHAT is a PICOC? CEBMA – Center for Evidence-based Management, Disponível 
em: <https://cebma.org/faq/what-is-a-picoc/>. Acesso em: 01 de junho de 2022. 
7 APÊNDICES 
7.1 APÊNDICE A – TABELA DE ARTIGOS ANALISADOS 
Artigo Fonte Autores 
Ano de 
Publicação 
Quais 
aplicações de 
Big Data foram 
utilizadas? * 
Em que 
contexto 
organizacional 
foram 
utilizadas 
aplicações de 
Big Data? 
Que tipos de 
organizações 
foram 
estudadas? 
Enhancing 
healthcare 
value by 
applying 
proactive 
measures: the 
role 
forbusiness 
analytics and 
intelligence 
Web of 
Science 
Wickramasing
he, Nilmini; 
Schaffer, 
Jonathan L. 
2018 
Business 
Analytics; 
Business 
Intelligence 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Melhoria na 
jornada do 
paciente, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
Hospitais 
Towards 
Reaping the 
Promotions of 
Big Data in 
Healthcare 
Services 
Web of 
Science 
Alterazi, 
Hassan A. 
2021 
Análise 
Preditiva; 
Dispositivos 
Inteligentes 
(Wearables); 
mHealth 
(Aplicativos 
de Celular); 
Dados 
Genômicos; 
EHRs; NLP; 
IoT 
Análise de 
redes sociais, 
Digitalização 
de 
prontuários, 
Melhoria na 
jornada do 
paciente, 
Otimização de 
processos, 
Prevenção de 
riscos/fatalida
des 
Hospitais 
Concurrence 
of big data 
analytics and 
healthcare: A 
systematic 
review 
Web of 
Science 
Mehta, 
Nishita; 
Pandit, Anil 
2018 
Registros 
Médicos 
Eletrônicos 
(EMRs); 
Dispositivos 
Inteligentes 
(Wearables); 
Computação 
em Nuvem; 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Análise de 
redes sociais, 
Digitalização 
N/A (O artigo 
não especifica 
uma 
organização) 
https://researchguides.uic.edu/doi/
https://cebma.org/faq/what-is-a-picoc/
46 
 
Big Data 
Analytics; 
Reconhecime
nto de 
Imagens; 
Análises 
Genômicas 
de 
prontuários, 
Melhoria na 
jornada do 
paciente, 
Otimização de 
processos, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
Hidden big 
data analytics 
issues in the 
healthcare 
industry 
Web of 
Science 
Strang, 
Kenneth 
David; Sun, 
Zhaohao 
2020 
N/A. O artigo 
estuda os 
principaisdesafios 
"ocultos" 
encontrados 
em aplicações 
de Big Data. 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Análise de 
redes sociais, 
Digitalização 
de 
prontuários, 
Melhoria na 
jornada do 
paciente, 
Otimização de 
processos 
N/A (O artigo 
não especifica 
uma 
organização) 
Using 
informatics to 
improve 
healthcare 
quality 
Web of 
Science 
Otokiti, 
Ahmed 
2019 
Wearables, 
Telesaúde, 
Sistemas de 
Informações 
Gerenciais. 
N/A (O artigo 
cita diversos 
usos 
superficiais) 
N/A (O artigo 
não especifica 
uma 
organização) 
The use of big 
data 
resources in 
patient 
relations 
management 
in healthcare 
Web of 
Science 
Chluski, 
Andrzej; 
Karczewska, 
Anna 
2018 
Data Mining, 
Data 
processing, 
clusterização 
de dados. 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Análise de 
redes sociais, 
Digitalização 
de 
prontuários, 
Melhoria na 
jornada do 
paciente, 
Otimização de 
processos, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
Clínicas, 
Hospitais 
Visualizing 
the 
knowledge 
structure and 
evolution of 
big data 
researchin 
healthcare 
informatics 
Web of 
Science 
Gu, Dongxiao 
et al. 
2017 
Internet das 
Coisas (IoT); 
Dispositivos 
Inteligentes 
(Wearables); 
Big Data 
Analytics; 
Data Mining; 
Machine 
Learning 
Gestão do 
Conheciment
o; Melhoria na 
jornada do 
paciente; 
Prevenção de 
riscos/fatalida
des 
N/A (O artigo 
não especifica 
uma 
organização) 
The potential 
beyond IC 
4.0: the 
Web of 
Science 
Ratia, Milla et 
al. 
2019 
N/A. Os 
temas de 
Machine 
Análise 
Estatística de 
dados para 
N/A (O artigo 
não especifica 
47 
 
evolution of 
business 
intelligenceto
wards 
advanced 
business 
analytics 
Learning e 
Análise 
Preditiva 
foram 
superficialme
nte citados. 
melhora na 
tomada de 
decisão 
uma 
organização) 
Leveraging 
Big Data 
Analytics to 
Improve 
Quality of 
Care in 
HealthcareOr
ganizations: A 
Configuration
al Perspective 
Web of 
Science 
Wang, 
Yichuan et al. 
2019 
ETL; Data 
Warehouse; 
OLAP; 
Machine 
Learning; 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Digitalização 
de 
prontuários, 
Gestão do 
Conheciment
o, Otimização 
de processos, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
N/A (O artigo 
não especifica 
uma 
organização) 
The Recent 
Progress and 
Applications 
of Digital 
Technologies 
inHealthcare: 
A Review 
Web of 
Science 
Senbekov, 
Maksut et al. 
2020 
Análise de 
Exames de 
Imagem 
usando IA; 
Priorização de 
pacientes em 
meio à 
pandemia do 
COVID-19; 
Educação 
Médica; 
Ciberseguran
ça (em 
relação aos 
dados de 
paciente); 
Registros 
Médicos 
Eletrônicos; 
Análises 
genômicas; 
Wearables; 
Telemedicina 
Digitalização 
de 
prontuários, 
Melhoria na 
jornada do 
paciente, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
Clínicas, 
Hospitais 
Business 
analytics-
enabled 
decision-
making 
effectiveness 
throughknowl
edge 
absorptive 
capacity in 
health care 
Web of 
Science 
Wang, 
Yichuan; 
Byrd, Terry 
Anthony 
2017 
Mineração de 
Texto, 
Processament
o Natural de 
Linguagem 
(NLP) 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Análise de 
redes sociais, 
Otimização de 
processos, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
N/A (O artigo 
não especifica 
uma 
organização) 
A systematic 
review of 
emerging 
information 
Web of 
Science 
Zahid, Arnob 
et al. 
2021 
Virtual Reality 
(VR); 
Augmented 
Reality (AR); 
Análise 
Estatística de 
dados para 
melhora na 
N/A (O artigo 
não especifica 
uma 
organização) 
48 
 
technologies 
for 
sustainableda
ta-centric 
health-care 
Artificial 
Intelligence 
(AI); Machine 
Learning 
(ML); Deep 
Learning (DL); 
Digital Twin 
(DT); Internet 
of Things 
(IoT); 
mHealth; 
Dispositivos 
Inteligentes 
(Wearables); 
Registros 
Médicos 
Eletrônicos 
(EMRs) 
tomada de 
decisão, 
Digitalização 
de 
prontuários, 
Otimização de 
processos, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
Leaders' 
perspectives 
on learning 
health 
systems: a 
qualitative 
study 
Web of 
Science 
Enticott, 
Joanne et al. 
2020 
Learning 
Health 
Systems. São 
sistemas que 
reúnem dados 
de Saúde de 
todas as 
vertentes da 
organização, 
para gerarem 
informações e 
melhorarem o 
cuidado com 
o paciente. 
Digitalização 
de 
prontuários, 
Gestão do 
Conheciment
o, Melhoria na 
jornada do 
paciente, 
Otimização de 
processos 
Clínicas, 
Hospitais 
Review of the 
methodologic
al, ethical, 
legal and 
social issues 
ofresearch 
projects in 
healthcare 
with big data 
Web of 
Science 
de Lecuona, 
Itziar 
2018 N/A 
N/A (O artigo 
cita diversos 
usos 
superficiais) 
N/A (O artigo 
não especifica 
uma 
organização) 
Hospital 
Investment 
Decisions in 
Healthcare 
4.0 
Technologies: 
Scoping 
Review and 
Framework 
for Exploring 
Challenges, 
Trends, and 
ResearchDire
ctions 
Web of 
Science 
Santiago 
Vassolo et al. 
2021 
N/A. O artigo 
discute 
formas de 
avaliar o 
investimento 
em novas 
tecnologias 
na Saúde. 
Melhoria na 
jornada do 
paciente, 
Redução de 
custos 
operacionais 
Hospitais 
A Privacy-
Preserving 
Infrastructure 
for Analyzing 
Personal 
Health Datain 
a Vertically 
Partitioned 
Scenario 
Web of 
Science 
Sun, Chang et 
al. 
2019 
Machine 
Learning 
Redução de 
custos 
operacionais 
Órgãos 
governamenta
is 
E-Health 
Practices and 
Technologies: 
Web of 
Science 
da Fonseca, 
Maria Helena 
et al. 
2021 N/A. 
Digitalização 
de 
prontuários, 
N/A (O artigo 
não especifica 
49 
 
A Systematic 
Review from 
2014 to2019 
Otimização de 
processos, 
Prevenção de 
riscos/fatalida
des, Redução 
de custos 
operacionais 
uma 
organização) 
Institutions, 
infrastructures
, and data 
friction - 
Reforming 
secondaryuse 
of health data 
in Finland 
Web of 
Science 
Aula, Ville 2019 N/A. 
N/A (O artigo 
cita diversos 
usos 
superficiais) 
Órgãos 
governamenta
is 
Involvement 
of Machine 
Learning 
Tools in 
Healthcare 
Decision 
Making 
Web of 
Science 
Jayatilake, 
Senerath et 
al. 
2021 
Machine 
Learning. 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Prevenção de 
riscos/fatalida
des 
N/A (O artigo 
não especifica 
uma 
organização) 
Digital 
continuous 
healthcare 
and disruptive 
medical 
technologies:
m-Health and 
telemedicine 
skills training 
for data-
driven 
healthcare 
Web of 
Science 
Sapci, A. 
Hasan; Sapci, 
H. Aylin 
2019 
Telemedicina; 
IoT; m-health; 
dispositivos 
wireless de 
monitorament
o de Saúde 
Melhoria na 
jornada do 
paciente 
N/A (O artigo 
não especifica 
uma 
organização) 
Privacy-first 
health 
research with 
federated 
learning 
Web of 
Science 
Sadilek, 
Adam et al. 
2021 
Machine 
Learning 
(Federated 
Learning) 
Gestão do 
Conheciment
o 
N/A (O artigo 
não especifica 
uma 
organização) 
Data 
envelopment 
analysis for 
estimating 
efficiency of 
intensive 
careunits: a 
case study in 
Iran 
Web of 
Science 
Bahrami, 
Mohammad 
Amin et al. 
2018 
DEA (Não é 
considerada 
uma 
aplicação de 
Big Data, mas 
um framework 
de melhoria 
de processos 
analisando os 
inputs e 
outputs do 
processo). 
Otimização de 
processos 
Hospitais 
Next-
generation 
business 
models for 
artificial 
intelligence 
start-ups in 
the healthcare 
industry 
Scopus Kulkov, I. 2021 
Inteligência 
Artificial; 
Machine 
Learning; 
Deep 
Learning 
Análise 
Estatística de 
dados para 
melhora na 
tomada de 
decisão, 
Gestão do 
Conheciment
o, Melhoria na 
jornada do 
paciente, 
Otimização de 
processos, 
Prevenção de 
Empresas/Sta
rtups da área 
da saúde 
50 
 
riscos/fatalida
des, Redução 
de custos 
operacionais 
Healthcare 
data 
breaches: 
Insights and 
implications 
Scopus 
Seh, A.H. et 
al. 
2020 
IoT; 
Wearables 
(Dispositivos 
Inteligentes) 
Otimização de 
processos 
N/A (O artigo 
não especifica 
uma 
organização)