Solução digital para análise de raios UV como fator de risco do cancro de pele

O cancro de pele representa um dos maiores desafios de saúde pública contemporâneos, com incidência global crescente que expõe limitações críticas nos sistemas de prevenção e datasets disponíveis para investigação em inteligência artificial. A análise sistemática da literatura revela que os conjuntos de dados atuais para treino de modelos de machine learning em dermatologia são caracterizados por desequilíbrios demográficos significativos, representação inadequada de diferentes tipos de pele segundo a escala Fitzpatrick, e falta de metadados contextuais essenciais para desenvolvimento de sistemas equitativos e robustos. Este trabalho propõe o desenvolvimento de uma plataforma digital modular para recolha sistemática de dados dermatológicos através de crowdsourcing (distribuir tarefas por uma comunidade alargada, em vez de a um grupo restrito de especialistas, aproveitando o conhecimento, criatividade e esforço coletivo para alcançar soluções de forma mais eficiente e diversificada), integrando geolocalização, índices UV em tempo real, classificação automática de tipos de pele e geração de recomendações preventivas personalizadas. A metodologia inclui uma revisão sistemática PRISMA dos trabalhos existentes, desenvolvimento de um protótipo funcional utilizando Python 3.8, OpenCV e Kivy, implementação de algoritmos de processamento de imagem em espaço HSV para análise de tons de pele, integração com APIs meteorológicas (OpenUV, OpenWeatherMap), e criação de um dashboard para monitorização em tempo real. O sistema será validado através de testes funcionais e disponibilizará as análises numa base de dados central, que futuramente será transformado num sistema central para validação e gestão de datasets. A principal mais-valia reside na criação de um ecossistema de dados tratados que supera as limitações dos repositórios existentes, gerando conjuntos de dados equilibrados, geograficamente distribuídos e ricos em metadados contextuais. Este trabalho estabelece fundamentos para o desenvolvimento futuro de um módulo central com capacidades avançadas de machine learning, protocolos de equidade demográfica, e arquiteturas de federated learning para investigação colaborativa, democratizando o acesso a ferramentas de análise sofisticadas e contribuindo para modelos de IA mais fiáveis e inclusivos na prevenção do cancro de pele.