Cloud-Based Architectures for Scientific Health Systems: Case Studies Using AWS

• Kayo Henrique de Carvalho Monteiro dotLAB Brazil
• Sebastião Rogerio da Silva Neto dotLAB Brazil
• Igor Vitor Teixeira dotLAB Brazil
• Elisson da Silva Rocha dotLAB Brazil / UPE
• Cleber Matos de Morais dotLAB Brazil / UFPB
• Patricia Takako Endo dotLAB Brazil / UPE

DOI: https://doi.org/10.5753/pesquisanuvem.2026.23464

Resumo

A crescente disponibilidade de dados clínicos e epidemiológicos tem ampliado as oportunidades de aplicação de aprendizado de máquina em sistemas de saúde pública. Entretanto, o processamento desses dados requer infraestruturas computacionais escaláveis. Este artigo apresenta um relato de experiência sobre o desenvolvimento de arquiteturas em nuvem utilizando Amazon Web Services (AWS). São analisadas três plataformas: VALERIA, para apoio ao diagnóstico de arboviroses; ANGELS, para monitoramento gestacional; e IAra, para previsão epidemiológica de malária. Os sistemas utilizam serviços como EC2, S3, ECR, Lambda e SageMaker para processamento de dados e treinamento de modelos, demonstrando o papel da computação em nuvem no suporte a aplicações de saúde baseadas em dados.

Referências

Barros, M. H. L. F. d. S., Alves, G. O., Souza, L. M. F., Rocha, E. d. S., Oliveira, J. F. L., Lynn, T., Sampaio, V., and Endo, P. T. (2021). Benchmarking machine learning models to assist in the prognosis of tuberculosis. Informatics, 8(2):27.

da Silva Neto, S. R. (2024). Clinical decision support for arboviral diseases using machine learning models. PhD thesis, Universidade de Pernambuco.

da Silva Neto, S. R. et al. (2022). Arboviral disease record data - dengue and chikungunya, brazil, 2013–2020. Scientific Data, 9:198.

de Carvalho Monteiro, K. H. (2025). IAra: A Platform to Combat Malaria in Brazil’s Legal Amazon. PhD thesis, Universidade de Pernambuco.

Esteva, A., Robicquet, A., Ramsundar, B., et al. (2019). A guide to deep learning in healthcare. Nature Medicine, 25:24–29.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521:436–444.

Miotto, R., Wang, F., Wang, S., Jiang, X., and Dudley, J. T. (2018). Deep learning for healthcare: review, opportunities and challenges. Briefings in Bioinformatics, 19(6):1236–1246.

Monteiro, K., Rocha, E., Silva, E., Santos, G. L., Santos, W., and Endo, P. T. (2018). Developing an e-health system based on iot, fog and cloud computing. In IEEE/ACM International Conference on Utility and Cloud Computing Companion, pages 17–18. IEEE.

Monteiro, K. H. d. C. et al. (2025). Integrating machine learning and spatial clustering for malaria case prediction in brazil’s legal amazon. BMC Infectious Diseases, 25:802.

Rajkomar, A., Dean, J., and Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380:1347–1358.

Rocha, É. D. S., De Morais, C. M., Teixeira, I. V., Monteiro, K. H. D. C., Neto, S. R. D. S., Soares, H. R., Saldanha, R., Neto, W. B., and Endo, P. T. (2026). Angels: An intelligent gestational follow-up system. IEEE Access.

World Health Organization (2020). Global strategy on digital health 2020–2025. World Health Organization Report.