Lívia Maria de Oliveira Ciabati

Livia Oliveira-Ciabati, mestra e doutora em Saúde Pública pela Faculdade de Medicina de Ribeirão Preto. Durante sua formação acadêmica, se envolveu em projetos de saúde materna, neonatal e reprodutiva. Seu foco principal foi o uso de conjuntos de dados epidemiológicos para desenvolver ferramentas computacionais que pudessem melhorar a saúde da população. Nesse periodo desenvolveu, testou e avaliou ferramentas de educação computacional aplicadas à saúde, como um sistema automatizado de distribuição de mensagens de texto (PRENACEL), modelos matemáticos (como o C-Model da OMS) e sistemas de recomendação (como o projeto WHO BOLD/SELMA). O PRENACEL foi um projeto no qual Livia desenvolveu e testou ferramentas computacionais aplicadas à educação em saúde, que enviavam automaticamente mais de 22 mil mensagens de texto para gestantes e seus parceiros com real melhoria na adesão às práticas de cuidados pré-natais. Foram avaliadas 1380 mulheres e este projeto rendeu dois artigos como primeira autora. Já no projeto WHO BOLD/SELMA (financiado pela Fundação Bill & Melinda Gates (US$ 2,9 milhões)), exigiu coleta detalhada de dados em dois países simultaneamente, Uganda e Nigéria, sendo Livia a responsável pelo gerenciamento de qualidade dos 10.000 registros. Além disso, participou de uma série de comitês na sede da OMS em Genebra, discutiu com especialistas o uso de técnicas de análise e os impactos na área médica. Um dos principais achados do BOLD foi desassociar a taxa de dilatação cervical durante o trabalho de parto do risco de um desfecho negativo para a mulher ou o bebê. Esse resultado foi tão importante que faz parte da nova diretriz de cuidados intraparto divulgada pela OMS em 2018. Por último, faz parte do "WHO Intrapartum Care Algorithms Working Group", cujo objetivo foi construir algoritmos para ferramentas computacionais para tomada de decisão com base em evidências científicas. O grupo mapeou todas as melhores evidências para 7 cenários de decisão durante o parto, transformando as indicações em algoritmos facilmente adaptados para códigos programáveis. (Fonte: Currículo Lattes)