Foram encontradas 418.537 questões
Resolva questões gratuitamente!
Junte-se a mais de 4 milhões de concurseiros!
O Sistema de Informação em Saúde para a Atenção Básica (SISAB) é o sistema de informação da Atenção Básica vigente para fins de financiamento e de adesão aos programas e estratégias da Política Nacional de Atenção Básica (PNAB).
A finalidade do Sistema de Informações Ambulatoriais do SUS (SAI/SUS) é transcrever todos os atendimentos provenientes de internações hospitalares que foram financiadas pelo SUS ,e após o processamento, gerar relatórios para os gestores que lhes possibilitem fazer os pagamentos dos estabelecimentos de saúde.
A partir da situação hipotética precedente, considerando que todas as bibliotecas estejam instaladas e que qualquer trecho entre aspas, sejam elas retas ou curvas, representa uma cadeia de caracteres, julgue o item a seguir.
A execução do comando df.sort_values(by="idade") alterará permanentemente a ordem das linhas no arquivo original pacientes.csv.
A partir da situação hipotética precedente, considerando que todas as bibliotecas estejam instaladas e que qualquer trecho entre aspas, sejam elas retas ou curvas, representa uma cadeia de caracteres, julgue o item a seguir.
A execução do comando a seguir retorna os usuários cuja idade é maior que 40 anos e cujo nível de glicemia em jejum é maior que 135 mg/dl de sangue.
A partir da situação hipotética precedente, considerando que todas as bibliotecas estejam instaladas e que qualquer trecho entre aspas, sejam elas retas ou curvas, representa uma cadeia de caracteres, julgue o item a seguir.
O método df.describe() fornece um resumo estatístico das variáveis numéricas, incluindo média, desvio padrão e quantis, o que facilita a identificação de outliers nesses dados.
A partir da situação hipotética precedente, considerando que todas as bibliotecas estejam instaladas e que qualquer trecho entre aspas, sejam elas retas ou curvas, representa uma cadeia de caracteres, julgue o item a seguir.
A fim de visualizar a correlação entre a pressão arterial diastólica e o número de consultas realizadas no último ano, o analista poderá gerar um código de dispersão por meio do código a seguir.
O uso de cores deve ser funcional, e não estético: tons contrastantes para destacar anomalias, e cores neutras para dados de contexto ou linhas de base, por exemplo.
O truncamento do eixo horizontal de um gráfico de colunas que compara valores absolutos é uma técnica recomendada porque esse tipo de comparação absoluta é a menos suscetível a vieses.
Ao olho humano a continuidade da linha é percebida como a progressão do tempo e a conexão entre eventos, de modo que gráficos de linhas são as ferramentas ideais para representar séries temporais.
Ao centralizar métricas em uma tabela fato e ligá-la a dimensões, a modelagem dimensional para BI permite consultas rápidas em milhões de registros, facilitando a análise de indicadores.
Dashboards de business intelligence são ferramentas autoexplicativas, que dispensam literacia de dados (data literacy) por gestores e analistas.
Uma arquitetura de business intelligence moderna dispensa o uso de um data warehouse, uma vez que as ferramentas de visualização conseguem processar petabytes de dados brutos diretamente de bancos transacionais sem perda de performance.
Data lake permite o armazenamento de dados brutos de diferentes origens para futuras análises, sem a rigidez de um esquema de banco de dados relacional.
O fenômeno garbage in, garbage out (GIGO) é mitigado automaticamente pelo uso de algoritmos de deep learning, que conseguem extrair insights precisos mesmo de bases de dados públicos altamente inconsistentes e mal preenchidas.
No contexto da Lei Geral de Proteção de Dados (LGPD), a anonimização de dados de saúde deve ser um processo reversível que permita ao gestor público identificar o paciente sempre que houver necessidade administrativa.
O uso de algoritmos de processamento de linguagem natural (PLN) permite converter dados não estruturados de prontuários médicos e diários oficiais em indicadores quantitativos monitoráveis.
Na análise quantitativa, a amostragem probabilística é um requisito fundamental para permitir que os resultados do monitoramento sejam generalizados para a população estudada.
Na análise quantitativa de monitoramento, modelos de regressão podem ser usados para identificar a força da correlação entre variáveis e prever comportamentos futuros de indicadores.
A análise qualitativa deve ser realizada apenas ao final do ciclo de monitoramento, já que se aplica apenas para justificar os sucessos ou as falhas apontados pelos indicadores quantitativos.
Na avaliação de impacto, a correlação estatística entre duas variáveis de monitoramento é evidência suficiente para se inferir uma relação de causalidade direta entre elas.