Managing Data in Screening Programs: Challenges and Solutions

Hugo Monteiro; Mariana Oliveira; Ricardo Martinho; Carlos Martins

doi:10.20344/amp.23363

Autores

Hugo Monteiro Faculdade de Medicina. Universidade do Porto. Porto. https://orcid.org/0000-0002-6060-3335
Mariana Oliveira Faculdade de Medicina. Universidade do Porto. Porto. https://orcid.org/0000-0001-7313-9749
Ricardo Martinho Centro de Investigação em Tecnologias e Serviços de Saúde (CINTESIS). Escola Superior de Tecnologia e Gestão. Instituto Politécnico de Leiria. Leiria. https://orcid.org/0000-0003-1157-7510
Carlos Martins Centro de Investigação em Tecnologias e Serviços de Saúde (CINTESIS@RISE). Universidade do Porto. Porto. https://orcid.org/0000-0001-8561-5167

DOI:

https://doi.org/10.20344/amp.23363

Palavras-chave:

Big Data, Gestão de Dados, Programas de Rastreio, Saúde Pública

Resumo

Os programas de rastreio populacional permitem a deteção precoce de doenças, contribuindo para a redução da morbilidade e custos. Contudo, à medida que ganham escala, o enorme volume e heterogeneidade dos dados exigem soluções digitais robustas. Este artigo de revisão narrativa oferece um enquadramento pragmático para a aplicação de big data em rastreios, adaptado às práticas clínicas e de gestão com foco na integração eficaz nos fluxos de trabalho. A utilização eficaz dos dados inicia-se com o seu arquivo sistemático em plataformas de armazenamento na nuvem, seguras e em conformidade com as normas regulamentares, capazes de preservar múltiplos formatos de informação e garantir a acessibilidade a longo prazo. O processamento em tempo real possibilita decisões céleres sobre convocatórias, confirmação de diagnósticos e triagem subsequente, mantendo a capacidade de resposta dos serviços. Os processos de extração-transformação-carregamento normalizam dados provenientes de sistemas heterogéneos, assegurando consistência semântica e interoperabilidade. Esta normalização suporta a integração de registos clínicos, laboratoriais e administrativos em repositórios analíticos digitais que se encontram centralizados, permitindo uma visão longitudinal do percurso do utente. Com esta infraestrutura, é possível agilizar técnicas de mineração de dados e de modelação preditiva que ajudam a identificar indivíduos de maior risco, antecipar picos de afluência e identificar barreiras operacionais. Estes dados apoiam a alocação de recursos e o redesenho de processos, contribuindo para ganhos de eficiência e equidade. O recurso a ferramentas de visualização interativas traduz informação complexa em relatórios dinâmicos intuitivos, facilitando a monitorização contínua de indicadores e a tomada de decisões baseadas na evidência. Persistem desafios de governação de dados, financiamento e capacitação, exigindo políticas claras, formação contínua e mecanismos de auditoria regular a estes sistemas digitais. Este artigo ilustra estes conceitos através de exemplos concretos do programa de rastreio do cancro colorretal na região Norte de Portugal. Os investimentos sustentados em infraestrutura digital, formação profissional e governação de dados são essenciais para assegurar a sustentabilidade e o impacto operacional destes programas. Esta revisão oferece orientações práticas para apoiar profissionais de saúde na adoção eficaz de análises de big data em iniciativas de prevenção.

Downloads

Não há dados estatísticos.

Referências

World Health Organization. Cancer prevention and control in the context of an integrated approach. Geneva: WHO; 2017.

World Health Organization Regional Office for Europe. Screening programmes: a short guide. Increase effectiveness, maximize benefits and minimize harm. Copenhagen: WHO/Europe; 2020.

Sweeney SM, Hamadeh HK, Abrams N, Adam SJ, Brenner S, Connors DE, et al. Case studies for overcoming challenges in using big data in cancer. Cancer Res. 2023;83:1183-90.

Mazzucco W, Stracci F, Gatta G, D’Argenzio A, Bidoli E, Carone S, et al. Cancer registries and data protection in the age of health digital interoperability in Europe: the perspective of the Italian Network of Cancer Registries (AIRTUM). Front Oncol. 2022;12:1052057.

American Association for Cancer Research. Screening for early detection. 2024. [cited 2025 Apr 24]. Available from: https://cancerprogressreport.aacr.org/progress/cpr24-contents/cpr24-screening-for-early-detection/.

World Health Organization. World Health Organization report on health and wellness. 2024. [cited 2025 Apr 24]. Available from: https://www.who.int/data/gho/data/major-themes/health-and-well-being.

Li L, Novillo-Ortiz D, Azzopardi-Muscat N, Kostkova P. Digital data sources and their impact on people’s health: a systematic review of systematic reviews. Front Public Health. 2021;9:645260.

Fragala MS, Shiffman D, Birse CE. Population health screenings for the prevention of chronic disease progression. Am J Manag Care. 2019;25:548-53.

Awrahman BJ, Aziz Fatah C, Hamaamin MY. A review of the role and challenges of big data in healthcare informatics and analytics. Comput Intell Neurosci. 2022;2022:5317760.

Akyüz K, Cano Abadía M, Goisauf M, Mayrhofer MT. Unlocking the potential of big data and AI in medicine: insights from biobanking. Front Med. 2024;11:1336588.

Batko K, Ślęzak A. The use of big data analytics in healthcare. J Big Data. 2022;9:3.

Aversano L, Iammarino M, Madau A, Pirlo G, Semeraro G. Process mining applications in healthcare: a systematic literature review. PeerJ Comput Sci. 2025;11:e2613.

Olawade DB, Wada OJ, David-Olawade AC, Kunonga E, Abaire O, Ling J. Using artificial intelligence to improve public health: a narrative review. Front Public Health. 2023;11:1196397.

Pastorino R, De Vito C, Migliara G, Glocker K, Binenbaum I, Ricciardi W, et al. Benefits and challenges of big data in healthcare: an overview of the European initiatives. Eur J Public Health. 2019;29:S23-7.

Mensah E, Goderre JL. Data sources and data tools: preparing for the open data ecosystem. Public Health Inf Inform Syst. 2020:105-27.

Borges do Nascimento IJ, Marcolino MS, Abdulazeem HM, Weerasekara I, Azzopardi-Muscat N, Gonçalves MA, et al. Impact of big data analytics on people’s health: overview of systematic reviews and recommendations for future studies. J Med Internet Res. 2021;23:e27275.

Alexiuk M, Elgubtan H, Tangri N. Clinical decision support tools in the electronic medical record. Kidney Int Rep. 2024;9:29-38.

Abdalkareem ZA, Amir A, Al-Betar MA, Ekhan P, Hammouri AI. Healthcare scheduling in optimization context: a review. Health Technol. 2021;11:445-69.

Pingili R. How workflow optimization improves patient care. Int J Res Comput Appl Inf Technol. 2024;7:1192-206.

Bernardi FA, Alves D, Crepaldi N, Yamada DB, Lima VC, Rijo R. Data quality in health research: integrative literature review. J Med Internet Res. 2023;25:e41446.

Cleverley WO, Cleverley JO, Parks AV. Essentials of health care finance. Massachusetts: Jones & Bartlett Learning; 2023.

Mendes D, Figueiredo D, Alves C, Penedones A, Costa B, Batel-Marques F. Impact of the COVID-19 pandemic on cancer screenings in Portugal. Cancer Epidemiol. 2024;88:102496.

Mehrtak M, SeyedAlinaghi S, MohsseniPour M, Noori T, Karimi A, Shamsabadi A, et al. Security challenges and solutions using healthcare cloud computing. J Med Life. 2021;14:448.

England PH. Retention, storage and disposal of mammograms and screening records. 2018. [cited 2025 Apr 24]. Available from: https://www.gov.uk/government/publications/breast-screening-manage-mammograms-and-records/retention-storage-and-disposal-of-mammograms-and-screening-records.

Schulz WL, Durant TJ, Torre Jr CJ, Hsiao AL, Krumholz HM. Agile health care analytics: enabling real-time disease surveillance with a computational health platform. J Med Internet Res. 2020;22:e18707.

Health Level Seven International. Introduction to HL7 standards. 2025. [cited 2025 Apr 24]. Available from: https://www.hl7.org/implement/standards.

Fast Healthcare Interoperability Resources. Welcome to FHIR®. 2025. [cited 2025 Apr 24]. Available from: https://build.fhir.org/.

Centers for Disease Control and Prevention. Implementing public health interoperability. 2025. [cited 2025 Apr 24]. Available from: https://www.cdc.gov/data-interoperability/php/public-health.

Williams E, Kienast M, Medawar E, Reinelt J, Merola A, Klopfenstein SA, et al. A standardized clinical data harmonization pipeline for scalable AI application deployment (FHIR-DHP): validation and usability study. JMIR Med Inform. 2023;11:e43847.

Van Der Aalst W. Data science in action. New Mexico: Springer; 2016.

Microsoft. Microsoft power bi. 2025. [cited 2025 Apr 24]. Available from: https://powerbi.microsoft.com/en-us.

Strategy. MicroStrategy. 2025. [cited 2025 Apr 24]. Available from: https://www.strategysoftware.com/.

Dalgaard P. R Development Core Team (2010). R: a language and environment for statistical computing. 2010. [cited 2025 Apr 24]. Available from: https://research.cbs.dk/en/publications/r-development-core-team-2010-r-a-language-and-environment-for-stats.

Rossum V. Python 3 reference manual. Scotts Valley: CreateSpace; 2009.

Union CotE. Council recommendation on strengthening prevention through early detection: a new EU approach on cancer screening replacing Council Recommendation 2003/878/EC. Off J Eur Union. 2022;100:1-10.

Santos MY, Ramos I. Business intelligence-da informação ao conhecimento. Lisboa: FCA–-Livros de Informática; 2017.

Brossard PY, Minvielle E, Sicotte C. The path from big data analytics capabilities to value in hospitals: a scoping review. BMC Health Serv Res. 2022;22:134.

Attah RU, Gil-Ozoudeh I, Garba B, Iwuanyanwu O. Leveraging geographic information systems and data analytics for enhanced public sector decision-making and urban planning. Magna Sci Adv Res Rev. 2024;12:152-63.

Munoz-Gama J, Martin N, Fernandez-Llatas C, Johnson OA, Sepúlveda M, Helm E, et al. Process mining for healthcare: characteristics and challenges. J Biomed Inform. 2022;127:103994.

Monteiro H, Oliveira M, Reis J, Tavares F. Optimizing colorectal screening in Portugal with process mining. Eur J Public Health. 2024;34:ckae144.2110.