Avaliação de Modelos de Paralelismo para Rastreabilidade de Dados em Saúde: Um Estudo de Caso sobre a Interpolação de Sinais Médicos

• Regisson C. P. Aguiar UPE
• Roberta A. A. Fagundes UPE

DOI: https://doi.org/10.5753/erad-ne.2026.26521

Resumo

O monitoramento de fluxos de dados em saúde é vital para garantir a integridade de predições críticas, como as do framework MedLens, exigindo alta precisão e baixa interferência no desempenho clínico. Contudo, a execução de rotinas de monitoramento em Python enfrenta gargalos de escalabilidade devido ao Global Interpreter Lock (GIL), que limita o paralelismo de threads em tarefas intensivas de CPU. Este trabalho apresenta uma avaliação de novas interfaces de monitoramento baseadas no módulo concurrent.futures (ThreadPoolExecutor e ProcessPoolExecutor) para a extração de logs de tempo em sinais médicos. A metodologia consistiu em um estudo de caso multi-core (p = 6) analisando métricas de Speedup (S_p) e Eficiência (E_p). Os resultados revelam comportamentos opostos: enquanto o modelo de threads sofreu degradação de desempenho (S_p = 0, 85) devido ao overhead de troca de contexto, o modelo de processos alcançou ganho de escala real com S_p = 3, 14, reduzindo o tempo de execução em mais de 295 segundos. Conclui-se que, dentre as abordagens avaliadas, o uso de processos demonstrou-se a alternativa mais eficaz para garantir que a rastreabilidade não comprometa a latência das predições clínicas, permitindo a adaptação da infraestrutura hospitalar às demandas de alto desempenho.

Referências

Amdahl, G. M. (1967). Validity of the single processor approach to achieving large scale computing capabilities. AFIPS Conference Proceedings, 30:483–485.

Batista, J. et al. (2020). Performance evaluation of parallel programming models in python: A case study. In Proceedings of the Conference on Parallel and Distributed Computing.

Beazley, D. (2010). Understanding the python global interpreter lock. Technical report, David Beazley Courses.

Cormen, T. H., Leiserson, C. E., Rivest, R. L., and Stein, C. (2009). Introduction to Algorithms. MIT Press, 3rd edition.

Eager, D. L., Zahorjan, J., and Lazowska, E. D. (1989). Speedup versus efficiency in parallel systems. IEEE Transactions on Computers, 38(3):408–423.

Groner, L. et al. (2012). A performance comparison of python interpreter implementations. In Proceedings of the International Conference on High Performance Computing (HiPC).

Johnson, A. E., Pollard, T. J., Shen, L., Lehman, L.-w. H., Feng, M., Ghassemi, M., Moody, B., Szolovits, P., Celi, L. A., and Mark, R. G. (2016). Mimic-iii, a freely accessible critical care database. Scientific Data, 3(1):1–9.

McKinney, W. (2010). Data structures for statistical computing in python. In Proceedings of the 9th Python in Science Conference, volume 445, pages 51–56.

Ye, X., Wu, J., Mou, C., and Dai, W. (2024). Medlens: Improve mortality prediction via medical signs selecting and regression. arXiv preprint arXiv:2305.11742v2.