<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>Saúde on Wiliam Rosa | Lakehouse, Dados &amp; IA</title>
    <link>https://wiliamrosa.github.io/tags/sa%C3%BAde/</link>
    <description>Recent content in Saúde on Wiliam Rosa | Lakehouse, Dados &amp; IA</description>
    <image>
      <title>Wiliam Rosa | Lakehouse, Dados &amp; IA</title>
      <url>https://wiliamrosa.github.io/images/wiliam-rosa-blog-og.png</url>
      <link>https://wiliamrosa.github.io/images/wiliam-rosa-blog-og.png</link>
    </image>
    <generator>Hugo</generator>
    <language>pt-br</language>
    <lastBuildDate>Tue, 13 Oct 2026 09:00:00 -0300</lastBuildDate>
    <atom:link href="https://wiliamrosa.github.io/tags/sa%C3%BAde/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Flo Health usou 26 juízes de IA para pós-treinar um modelo aberto sem perder segurança médica no processo</title>
      <link>https://wiliamrosa.github.io/posts/flo-health-judges-seguranca-modelo-aberto/</link>
      <pubDate>Tue, 13 Oct 2026 09:00:00 -0300</pubDate>
      <guid>https://wiliamrosa.github.io/posts/flo-health-judges-seguranca-modelo-aberto/</guid>
      <description>A Flo Health construiu um pipeline de pós-treinamento com 26 juízes de IA (12 de segurança médica como barreira obrigatória, 6 de comportamento fino, 8 de utilidade) pra deixar um modelo aberto mais seguro sem sacrificar utilidade, usando Databricks AI Runtime, LLM Foundry e Compose-RL.</description>
    </item>
    <item>
      <title>O gargalo da IA em imagem médica não é o modelo, é conseguir ler o arquivo DICOM rápido o suficiente</title>
      <link>https://wiliamrosa.github.io/articles/gargalo-imagem-medica-dicom-pixels/</link>
      <pubDate>Fri, 09 Oct 2026 09:00:00 -0300</pubDate>
      <guid>https://wiliamrosa.github.io/articles/gargalo-imagem-medica-dicom-pixels/</guid>
      <description>Antes de qualquer modelo de segmentação ou classificação entrar em cena, times de imagem médica esbarram num problema mais chato: biblioteca de parsing DICOM é de thread única, e des-identificar PHI em cabeçalho e pixel em escala exige um pipeline próprio, não só mais GPU.</description>
    </item>
    <item>
      <title>Parsing de HL7v2 direto no lakehouse: o que o Funke resolve que converter pra FHIR primeiro não resolve</title>
      <link>https://wiliamrosa.github.io/articles/funke-hl7v2-parsing-nativo-databricks/</link>
      <pubDate>Fri, 09 Oct 2026 09:00:00 -0300</pubDate>
      <guid>https://wiliamrosa.github.io/articles/funke-hl7v2-parsing-nativo-databricks/</guid>
      <description>Funke é um acelerador open source que faz parsing nativo de mensagens HL7v2 em tipos Spark dentro do lakehouse, evitando tanto a perda de informação de converter pra FHIR primeiro quanto o custo de um motor de terceiro pra achatar a mensagem.</description>
    </item>
    <item>
      <title>Como a Concurrence governa IA clínica numa escala de 1,2 trilhão de tokens por ano com Unity Gateway</title>
      <link>https://wiliamrosa.github.io/posts/concurrence-clinical-ai-trilhao-tokens-unity-gateway/</link>
      <pubDate>Thu, 24 Sep 2026 09:00:00 -0300</pubDate>
      <guid>https://wiliamrosa.github.io/posts/concurrence-clinical-ai-trilhao-tokens-unity-gateway/</guid>
      <description>A Concurrence consolidou documentação ambiente e resumo de plano de cuidado sobre Lakebase, Unity Catalog e Unity Gateway, processando hoje cerca de 100,8 bilhões de tokens de entrada e 11,2 milhões de chamadas de LLM por mês, taxa anualizada de 1,2 trilhão de tokens, crescimento de cinco vezes desde o fim de 2025.</description>
    </item>
  </channel>
</rss>
