A doença de Alzheimer é a forma mais comum de demência, afetando mais de 55 milhões de pessoas globalmente e representando cerca de 70% dos casos de demência. Em Portugal, estima-se que 200 mil pessoas vivam com esta patologia, impondo desafios significativos aos sistemas de saúde devido à necessidade de cuidados prolongados e aos elevados custos associados. Carateriza-se por uma degeneração progressiva e irreversível das células cerebrais, resultando em declínio cognitivo, perda de memória e comprometimento funcional. Além do impacto na qualidade de vida dos doentes, a doença de Alzheimer sobrecarrega cuidadores e os serviços de saúde, exigindo supervisão contínua e apoio especializado. Embora não exista cura, o diagnóstico precoce é fundamental para otimizar intervenções terapêuticas e retardar a progressão dos sintomas.

Início / Publicações / Publicação

Início / Publicações / Publicação

Mão com Puzzle IA

REDES NEURONAIS PROFUNDAS E O FUTURO DA DETECÇÃO PRECOCE DA DOENÇA DE ALZHEIMER

Tipo de publicação: Resumo do Artigo
Título original: Diagnóstico da doença de Alzheimer com redes neuronais profundas
Data da publicação do artigo: Julho de 2022
Fonte: Repositório da Universidade do Minho
Autor: Mateus Ferreira da Silva
Orientador: António Esteves

Qual é o objetivo, público-alvo e áreas da saúde digital em que se enquadra?
     O estudo tem como objetivo avaliar a aplicação de redes neuronais profundas no diagnóstico precoce da doença de Alzheimer, explorando métodos computacionais avançados para a análise e interpretação de imagens Ressonância Magnética (MRI). O público-alvo deste trabalho inclui investigadores, profissionais de saúde, engenheiros biomédicos e empresas de tecnologia aplicada à saúde. O estudo enquadra-se em áreas da saúde digital, tais como o diagnóstico assistido por computador, a neuroimagem computacional e a inteligência artificial aplicada à medicina, com destaque para a utilização de redes neuronais convolucionais (CNNs).

Qual é o contexto?
     A doença de Alzheimer é a forma mais comum de demência, afetando mais de 55 milhões de pessoas globalmente e representando cerca de 70% dos casos de demência. Em Portugal, estima-se que 200 mil pessoas vivam com esta patologia, impondo desafios significativos aos sistemas de saúde devido à necessidade de cuidados prolongados e aos elevados custos associados.

     Carateriza-se por uma degeneração progressiva e irreversível das células cerebrais, resultando em declínio cognitivo, perda de memória e comprometimento funcional. Além do impacto na qualidade de vida dos doentes, a doença de Alzheimer sobrecarrega cuidadores e os serviços de saúde, exigindo supervisão contínua e apoio especializado. Embora não exista cura, o diagnóstico precoce é fundamental para otimizar intervenções terapêuticas e retardar a progressão dos sintomas.

Quais são as abordagens atuais?
     As metodologias tradicionais para o diagnóstico da doença de Alzheimer incluem testes neuropsicológicos utilizados para avaliar funções cognitivas, mas apresentam limitações, como subjetividade na interpretação e baixa sensibilidade para identificar a doença em fases iniciais.

     A análise de biomarcadores no líquido cefalorraquidiano, associada a exames de neuroimagem, como PET (Positron Emission Tomography) e MRI, é fundamental para identificar alterações cerebrais. Em particular, as imagens de MRI estrutural permitem detetar alterações morfológicas associadas à neurodegeneração, incluindo a redução volumétrica do hipocampo, a atrofia cortical e a expansão dos ventrículos cerebrais. Estes biomarcadores estruturais são amplamente utilizados na prática clínica para diferenciar entre controlo saudável, défice cognitivo ligeiro e doença de Alzheimer. No entanto, a variabilidade interobservador e a dependência da experiência do especialista dificultam a padronização do diagnóstico, limitando a sua aplicabilidade clínica.

     Para superar estas limitações, técnicas de machine learning têm sido amplamente exploradas. Modelos supervisionados pelos clínicos, como Support Vector Machines e Random Forest, são usados na classificação de imagens médicas e dados clínicos, permitindo a identificação de padrões associados à doença. Já abordagens não supervisionadas, como clustering, facilitam a análise da progressão da doença ao agrupar pacientes com características neurodegenerativas semelhantes.

     A aprendizagem profunda tem demonstrado grande potencial na análise automatizada de neuroimagens, destacando-se as CNNs na deteção de padrões estruturais associados à neurodegeneração, podendo ser usadas como abordagens supervisionadas. Modelos híbridos, que integram neuroimagem, testes cognitivos e biomarcadores estruturais detetados com machine learning, demonstram maior confiabilidade ao fornecer uma análise abrangente da progressão da doença e apoiando a tomada de decisão clínica.

     Apesar dos avanços, desafios significativos persistem, incluindo a interpretabilidade dos modelos de aprendizagem profunda, a variabilidade dos dados clínicos e a necessidade de validação em larga escala. A aceitação clínica destas tecnologias depende do desenvolvimento de modelos explicáveis e adaptáveis às necessidades dos profissionais de saúde.

Em que consiste a inovação? Como é que é avaliado o impacto deste estudo?
     A inovação deste estudo consistiu na aplicação de aprendizagem profunda para a deteção automatizada de alterações estruturais no cérebro associadas à doença de Alzheimer, superando limitações dos métodos convencionais.

     O processo de análise começou com a aquisição de imagens de MRI estrutural de alta resolução provenientes da Alzheimer’s Disease Neuroimaging Initiative, um dos maiores repositórios de dados para investigação da doença de Alzheimer, contendo principalmente dados de doentes norte-americanos. A utilização desta base de dados permitiu que o modelo fosse treinado e validado com um conjunto diversificado de imagens de indivíduos saudáveis e de pacientes em diferentes fases da doença, garantindo uma maior robustez e generalização dos resultados. Para garantir a padronização e a otimização das imagens para a análise automatizada, foi realizado um rigoroso pré-processamento, que inclui a normalização espacial, ajustando as imagens a um formato padrão para facilitar a comparação entre indivíduos e a análise em larga escala. A remoção do crânio, realizada com a ferramenta Brain Extraction Tool, eliminou estruturas não cerebrais, como o crânio e tecidos adjacentes, permitindo que a análise se concentrasse exclusivamente no tecido cerebral. Além disso, foi realizada a segmentação cerebral, separando diferentes regiões cerebrais para facilitar a identificação de áreas afetadas pela neurodegeneração.

     Para viabilizar a utilização das imagens nos modelos de aprendizagem profunda, as imagens tridimensionais de MRI foram transformadas em cortes axiais e organizadas em matrizes RGB 4×4, tornando-as compatíveis tanto com modelos de CNNs 2D quanto 3D. Para otimizar o armazenamento e o carregamento das imagens durante o treino dos modelos, foi utilizada a estrutura TFRecords, um formato binário eficiente que reduz o tempo de leitura e processamento dos dados, melhorando a escalabilidade da análise computacional.

     Após o pré-processamento, os modelos CNNs analisaram biomarcadores estruturais da doença, incluindo a redução volumétrica do hipocampo, atrofia cortical e a expansão dos ventrículos cerebrais. Com base nestes biomarcadores, estes modelos foram treinados para classificar as imagens em três categorias principais: controlo saudável, caraterizado por uma estrutura cerebral preservada sem sinais de neurodegeneração; défice cognitivo ligeiro, uma fase intermediária em que há alguma atrofia cerebral sem progressão significativa da doença; e doença de Alzheimer, em que há atrofia severa no hipocampo e no córtex entorrinal, associada ao declínio cognitivo acentuado. Para mitigar a limitação imposta pelo número reduzido de amostras disponíveis, foi aplicada uma estratégia de aumento de dados que inclui técnicas como rotação das imagens em diferentes ângulos, variação da intensidade para simular diferenças na aquisição das imagens e cortes aleatórios, criando variações artificiais que melhoram a robustez do modelo e reduzem o risco de sobreajuste.

     O impacto deste estudo foi avaliado por meio de métricas rigorosas de desempenho, incluindo a matriz de confusão, que quantificou a precisão da classificação e identificou padrões de erro (como por exemplo falsos negativos). Além disso, a curva Receiver Operating Characteristic e a sua respetiva Area Under the Curve (escala de 0 a 1, onde 1 representa uma classificação perfeita) foram utilizadas para medir a capacidade dos modelos de diferenciarem as três categorias.

Quais são os principais resultados? Qual é o futuro desta abordagem?
     Os resultados deste estudo demonstraram que os modelos de CNN 3D apresentaram, de modo geral, um desempenho superior aos modelos 2D na deteção da doença de Alzheimer, beneficiando da análise volumétrica completa do cérebro. Entre os modelos testados, o ResNext50 3D foi o que apresentou melhor desempenho, alcançando uma Area Under the Curve de 0,70 para a categoria doença de Alzheimer; 0,65 para a categoria défice cognitivo ligeiro e 0,73 para a categoria controlo saudável. No entanto, a classificação da categoria défice cognitivo ligeiro revelou-se mais desafiadora, com uma elevada taxa de falsos negativos, refletindo a dificuldade em distinguir corretamente esta condição das demais. A curva Receiver Operating Characteristic confirmou esta tendência, com uma Area Under the Curve mais baixa para défice cognitivo ligeiro, indicando dificuldades do modelo em distinguir essa condição de controlo saudável da doença de Alzheimer. O aumento de dados não melhorou significativamente os resultados, sugerindo que as variações geradas estavam altamente correlacionadas com as originais e não contribuíram para a diversificação do conjunto de treino.

     Para futuro, será essencial expandir a base de dados para incluir amostras mais representativas, otimizar os métodos de pré-processamento e explorar a classificações binárias (doença de Alzheimer vs. controlo saudável) para melhorar a precisão diagnóstica. O desenvolvimento de técnicas de inteligência artificial explicável será fundamental para aumentar a interpretabilidade dos modelos, garantindo maior confiabilidade e aceitação clínica. Além disso, a integração de análises multimodais, combinando neuroimagem com biomarcadores genéticos e líquidos, poderá aprimorar o diagnóstico e permitir um acompanhamento mais detalhado da progressão da doença.

Interessado em saber todos os detalhes?

Saiba mais aqui
Voz em IA

O futuro do diagnóstico: Fala e IA

A fala é um biomarcador que reflete, de forma sensível, o funcionamento integrado de vários sistemas fisiológicos, nomeadamente o nervoso, o respiratório e o muscular….

Ler mais
TEF-HEALTH Logo

SPMS integra a iniciativa TEF-Health

A SPMS participa na iniciativa TEF-Health como parceira de um consórcio composto por 51 entidades de 9 países da União Europeia. Esta ação é cofinanciada…

Ler mais

tem uma ideia inovadora
na área da saúde?

Partilhe-a connosco e veja-a ganhar vida.
Ajudamos a dar vida aos seus projetos!

Partilhar a minha ideia

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
logotipo SNS
SPMS logotipo

Acompanhe-nos

YouTube
LinkedIn

Cofinanciado por :

PRR Logotipo
república Portuguesa logo
União Europeia Logo

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
SNS Logo
SPMS Logo

Acompanhe-nos

Cofinanciado por :

PRR Logotipo
República Portuguesa logo
União Europeia Logo

Início / Publicações / Publicação

Mão com Puzzle IA

REDES NEURONAIS PROFUNDAS E O FUTURO DA DETECÇÃO PRECOCE DA DOENÇA DE ALZHEIMER

Tipo de publicação: Resumo do Artigo
Título original: Diagnóstico da doença de Alzheimer com redes neuronais profundas
Data da publicação do artigo: Julho de 2022
Fonte: Repositório da Universidade do Minho
Autor: Mateus Ferreira da Silva
Orientador: António Esteves

Qual é o objetivo, público-alvo e áreas da saúde digital em que se enquadra?
     O estudo tem como objetivo avaliar a aplicação de redes neuronais profundas no diagnóstico precoce da doença de Alzheimer, explorando métodos computacionais avançados para a análise e interpretação de imagens Ressonância Magnética (MRI). O público-alvo deste trabalho inclui investigadores, profissionais de saúde, engenheiros biomédicos e empresas de tecnologia aplicada à saúde. O estudo enquadra-se em áreas da saúde digital, tais como o diagnóstico assistido por computador, a neuroimagem computacional e a inteligência artificial aplicada à medicina, com destaque para a utilização de redes neuronais convolucionais (CNNs).

Qual é o contexto?
     A doença de Alzheimer é a forma mais comum de demência, afetando mais de 55 milhões de pessoas globalmente e representando cerca de 70% dos casos de demência. Em Portugal, estima-se que 200 mil pessoas vivam com esta patologia, impondo desafios significativos aos sistemas de saúde devido à necessidade de cuidados prolongados e aos elevados custos associados.

     Carateriza-se por uma degeneração progressiva e irreversível das células cerebrais, resultando em declínio cognitivo, perda de memória e comprometimento funcional. Além do impacto na qualidade de vida dos doentes, a doença de Alzheimer sobrecarrega cuidadores e os serviços de saúde, exigindo supervisão contínua e apoio especializado. Embora não exista cura, o diagnóstico precoce é fundamental para otimizar intervenções terapêuticas e retardar a progressão dos sintomas.

Quais são as abordagens atuais?
     As metodologias tradicionais para o diagnóstico da doença de Alzheimer incluem testes neuropsicológicos utilizados para avaliar funções cognitivas, mas apresentam limitações, como subjetividade na interpretação e baixa sensibilidade para identificar a doença em fases iniciais.

     A análise de biomarcadores no líquido cefalorraquidiano, associada a exames de neuroimagem, como PET (Positron Emission Tomography) e MRI, é fundamental para identificar alterações cerebrais. Em particular, as imagens de MRI estrutural permitem detetar alterações morfológicas associadas à neurodegeneração, incluindo a redução volumétrica do hipocampo, a atrofia cortical e a expansão dos ventrículos cerebrais. Estes biomarcadores estruturais são amplamente utilizados na prática clínica para diferenciar entre controlo saudável, défice cognitivo ligeiro e doença de Alzheimer. No entanto, a variabilidade interobservador e a dependência da experiência do especialista dificultam a padronização do diagnóstico, limitando a sua aplicabilidade clínica.

     Para superar estas limitações, técnicas de machine learning têm sido amplamente exploradas. Modelos supervisionados pelos clínicos, como Support Vector Machines e Random Forest, são usados na classificação de imagens médicas e dados clínicos, permitindo a identificação de padrões associados à doença. Já abordagens não supervisionadas, como clustering, facilitam a análise da progressão da doença ao agrupar pacientes com características neurodegenerativas semelhantes.

     A aprendizagem profunda tem demonstrado grande potencial na análise automatizada de neuroimagens, destacando-se as CNNs na deteção de padrões estruturais associados à neurodegeneração, podendo ser usadas como abordagens supervisionadas. Modelos híbridos, que integram neuroimagem, testes cognitivos e biomarcadores estruturais detetados com machine learning, demonstram maior confiabilidade ao fornecer uma análise abrangente da progressão da doença e apoiando a tomada de decisão clínica.

     Apesar dos avanços, desafios significativos persistem, incluindo a interpretabilidade dos modelos de aprendizagem profunda, a variabilidade dos dados clínicos e a necessidade de validação em larga escala. A aceitação clínica destas tecnologias depende do desenvolvimento de modelos explicáveis e adaptáveis às necessidades dos profissionais de saúde.

Em que consiste a inovação? Como é que é avaliado o impacto deste estudo?
     A inovação deste estudo consistiu na aplicação de aprendizagem profunda para a deteção automatizada de alterações estruturais no cérebro associadas à doença de Alzheimer, superando limitações dos métodos convencionais.

     O processo de análise começou com a aquisição de imagens de MRI estrutural de alta resolução provenientes da Alzheimer’s Disease Neuroimaging Initiative, um dos maiores repositórios de dados para investigação da doença de Alzheimer, contendo principalmente dados de doentes norte-americanos. A utilização desta base de dados permitiu que o modelo fosse treinado e validado com um conjunto diversificado de imagens de indivíduos saudáveis e de pacientes em diferentes fases da doença, garantindo uma maior robustez e generalização dos resultados. Para garantir a padronização e a otimização das imagens para a análise automatizada, foi realizado um rigoroso pré-processamento, que inclui a normalização espacial, ajustando as imagens a um formato padrão para facilitar a comparação entre indivíduos e a análise em larga escala. A remoção do crânio, realizada com a ferramenta Brain Extraction Tool, eliminou estruturas não cerebrais, como o crânio e tecidos adjacentes, permitindo que a análise se concentrasse exclusivamente no tecido cerebral. Além disso, foi realizada a segmentação cerebral, separando diferentes regiões cerebrais para facilitar a identificação de áreas afetadas pela neurodegeneração.

     Para viabilizar a utilização das imagens nos modelos de aprendizagem profunda, as imagens tridimensionais de MRI foram transformadas em cortes axiais e organizadas em matrizes RGB 4×4, tornando-as compatíveis tanto com modelos de CNNs 2D quanto 3D. Para otimizar o armazenamento e o carregamento das imagens durante o treino dos modelos, foi utilizada a estrutura TFRecords, um formato binário eficiente que reduz o tempo de leitura e processamento dos dados, melhorando a escalabilidade da análise computacional.

     Após o pré-processamento, os modelos CNNs analisaram biomarcadores estruturais da doença, incluindo a redução volumétrica do hipocampo, atrofia cortical e a expansão dos ventrículos cerebrais. Com base nestes biomarcadores, estes modelos foram treinados para classificar as imagens em três categorias principais: controlo saudável, caraterizado por uma estrutura cerebral preservada sem sinais de neurodegeneração; défice cognitivo ligeiro, uma fase intermediária em que há alguma atrofia cerebral sem progressão significativa da doença; e doença de Alzheimer, em que há atrofia severa no hipocampo e no córtex entorrinal, associada ao declínio cognitivo acentuado. Para mitigar a limitação imposta pelo número reduzido de amostras disponíveis, foi aplicada uma estratégia de aumento de dados que inclui técnicas como rotação das imagens em diferentes ângulos, variação da intensidade para simular diferenças na aquisição das imagens e cortes aleatórios, criando variações artificiais que melhoram a robustez do modelo e reduzem o risco de sobreajuste.

     O impacto deste estudo foi avaliado por meio de métricas rigorosas de desempenho, incluindo a matriz de confusão, que quantificou a precisão da classificação e identificou padrões de erro (como por exemplo falsos negativos). Além disso, a curva Receiver Operating Characteristic e a sua respetiva Area Under the Curve (escala de 0 a 1, onde 1 representa uma classificação perfeita) foram utilizadas para medir a capacidade dos modelos de diferenciarem as três categorias.

Quais são os principais resultados? Qual é o futuro desta abordagem?
     Os resultados deste estudo demonstraram que os modelos de CNN 3D apresentaram, de modo geral, um desempenho superior aos modelos 2D na deteção da doença de Alzheimer, beneficiando da análise volumétrica completa do cérebro. Entre os modelos testados, o ResNext50 3D foi o que apresentou melhor desempenho, alcançando uma Area Under the Curve de 0,70 para a categoria doença de Alzheimer; 0,65 para a categoria défice cognitivo ligeiro e 0,73 para a categoria controlo saudável. No entanto, a classificação da categoria défice cognitivo ligeiro revelou-se mais desafiadora, com uma elevada taxa de falsos negativos, refletindo a dificuldade em distinguir corretamente esta condição das demais. A curva Receiver Operating Characteristic confirmou esta tendência, com uma Area Under the Curve mais baixa para défice cognitivo ligeiro, indicando dificuldades do modelo em distinguir essa condição de controlo saudável da doença de Alzheimer. O aumento de dados não melhorou significativamente os resultados, sugerindo que as variações geradas estavam altamente correlacionadas com as originais e não contribuíram para a diversificação do conjunto de treino.

     Para futuro, será essencial expandir a base de dados para incluir amostras mais representativas, otimizar os métodos de pré-processamento e explorar a classificações binárias (doença de Alzheimer vs. controlo saudável) para melhorar a precisão diagnóstica. O desenvolvimento de técnicas de inteligência artificial explicável será fundamental para aumentar a interpretabilidade dos modelos, garantindo maior confiabilidade e aceitação clínica. Além disso, a integração de análises multimodais, combinando neuroimagem com biomarcadores genéticos e líquidos, poderá aprimorar o diagnóstico e permitir um acompanhamento mais detalhado da progressão da doença.

Interessado em saber todos os detalhes?

Saiba mais aqui
Cadeira de rodas

Mobilidade autónoma de doentes em ambiente hospitalar

O transporte interno de doentes em instituições de saúde, embora à primeira vista possa parecer uma tarefa simples, representa uma operação logística complexa, contínua, exigente e demorada, que atravessa todos os níveis da organização hospitalar….

Ler mais
Voz em IA

O futuro do diagnóstico: Fala e IA

A fala é um biomarcador que reflete, de forma sensível, o funcionamento integrado de vários sistemas fisiológicos, nomeadamente o nervoso, o respiratório e o muscular. Esta complexidade torna-a um recurso promissor para a deteção de…

Ler mais
Literatura sobre os cuidados de saúde no futuro

O que revela a literatura sobre os cuidados de saúde no futuro

O setor da saúde vive uma transformação acelerada impulsionada pelo envelhecimento populacional, pela complexidade dos cuidados e pelos avanços digitais, num cenário que exige maior integração, sustentabilidade e adaptação a novas realidades como o Espaço…

Ler mais
Perturbação do sono

Uma intervenção digital para a Insónia em Oncologia

A insónia é uma perturbação do sono caracterizada por dificuldades persistentes em iniciar o sono, mantê-lo durante a noite ou alcançar um sono de qualidade. Estas dificuldades surgem mesmo na presença de condições adequadas para…

Ler mais
Sistema robótico autónomo INSIDE

Sistema robótico autónomo para a terapia do autismo

O transtorno do espetro do autismo é uma condição do neurodesenvolvimento com repercussões clínicas, sociais e económicas significativas ao longo da vida. Segundo a Organização Mundial de Saúde, estima-se que afete aproximadamente 1 em cada…

Ler mais
troca de informações de saúde e interoperabilidade

A nova era da interoperabilidade em sistemas de saúde

A crescente utilização de registos eletrónicos de saúde, sistemas de diagnóstico digital e tecnologias de monitorização remota tem levado a um aumento expressivo no volume e na complexidade dos dados em saúde. Este aumento intensifica…

Ler mais
robótica colaborativa

Robótica colaborativa melhora as condições de trabalho

Os trabalhadores enfrentam desafios crescentes no ambiente industrial. Entre os mais críticos estão a fadiga e as posturas inadequadas, frequentemente associadas a tarefas repetitivas e a condições de trabalho que carecem de adequação ergonómica. Estes…

Ler mais
Benefícios da Eletrônica Médica

Deteção da ansiedade e de ataques de pânico em tempo real

O crescente número de pessoas com transtornos de ansiedade, juntamente com o aumento da conscientização sobre a saúde mental, impulsiona a necessidade de novas ferramentas tecnológicas que forneçam a monitorização remota e contínua de transtornos…

Ler mais
Personalização e tecnologia na gestão da Diabetes

Personalização e tecnologia na gestão da diabetes

A crescente prevalência de doenças crónicas, particularmente DM, está a sobrecarregar os sistemas de saúde globais e a aumentar os custos dos cuidados de saúde devido à complexidade dos cuidados e à fraca integração, resultando…

Ler mais
TEF-HEALTH Logo

SPMS integra a iniciativa TEF-Health

A SPMS participa na iniciativa TEF-Health como parceira de um consórcio composto por 51 entidades de 9 países da União Europeia. Esta ação é cofinanciada pela Comissão Europeia e tem uma duração de cinco anos….

Ler mais
Global Digital Health Partnership Logo

SPMS representa Portugal como vice-presidente da GDHP

A GDHP é uma organização intergovernamental da área da saúde digital que facilita a cooperação e colaboração entre representantes governamentais e a Organização Mundial da Saúde (OMS), cujo propósito é fomentar o desenvolvimento de políticas…

Ler mais
HealthData@PT Logo

HealthData@PT: Nova iniciativa da SPMS para dados de saúde

A ação HealthData@PT é lançada no contexto da implementação do Espaço Europeu de Dados de Saúde, sendo uma iniciativa aprovada pela Comissão Europeia no âmbito do programa EU4Health 2021-2027. Esta iniciativa contribui para a transformação…

Ler mais

tem uma ideia inovadora
na área da saúde?

Partilhe-a connosco e veja-a ganhar vida.
Ajudamos a dar vida aos seus projetos!

Partilhar a minha ideia

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
SNS Logo
SPMS Logo

Acompanhe-nos

YouTube
LinkedIn

Cofinanciado por :

PRR Logotipo
República Portuguesa logo
União Europeia Logo
Scroll to Top