Autor(es)
Arthur Henrique Quaresma, Caio Fabri, Davi Augusto Rodrigues, Izadora Ganem, Guilherme Dal Bianco, José Carlos Serufo Filho, Leonardo Rocha, Milena Marcolino, Marcos André Gonçalves
Afiliação
UFMG, UFFS, UFSJ
Resumo: Valores ausentes em dados clínicos degradam a performance de modelos e comprometem decisões. Este trabalho apresenta o MIST-Saúde, uma ferramenta demonstrável de imputação semântica de dados tabulares clínicos. A ferramenta integra métodos estatísticos e abordagens semânticas com modelos fundacionais pré-treinados (ex.: TabPFN), combinados em ensemble para robustez frente a drifts temporais. O MIST-Saúde é entregue como biblioteca Python com Docker, API REST em FastAPI e interface web para configuração, execução e exportação dos resultados. Relatamos motivação, stakeholders, processo de desenvolvimento, elicitação e requisitos, além do desenho do módulo. Como o trabalho segue em construção, a arquitetura detalhada, as tecnologias finais e a bateria completa de testes ainda estão sendo consolidadas; ainda assim, há um prototípo e um vídeo de instalação disponíveis para demonstração.
Palavras-chave: Imputação de dados, Inteligência Artificial, Saúde, Modelos Fundacionais, Drifts Temporais, Ensemble.
