Lívia Maria de Oliveira Ciabati

Livia Oliveira-Ciabati, Master and Doctor in Public Health from the Faculty of Medicine of Ribeirão Preto. During her academic training, she was involved in maternal, neonatal and reproductive health projects. Her main focus was the use of epidemiological datasets to develop computational tools that could improve population health. During this period, he developed, tested and evaluated computer education tools applied to health, such as an automated text message distribution system (PRENACEL), mathematical models (such as the WHO C-Model) and recommendation systems (such as the WHO BOLD/SELMA project). PRENACEL was a project in which Livia developed and tested computer tools applied to health education, which automatically sent more than 22,000 text messages to pregnant women and their partners, with real improvement in adherence to prenatal care practices. 1380 women were evaluated and this project yielded two articles as the first author. In the WHO BOLD/SELMA project (funded by the Bill & Melinda Gates Foundation (US$ 2.9 million)), it required detailed data collection in two countries simultaneously, Uganda and Nigeria, with Livia being responsible for the quality management of the 10,000 records . In addition, she participated in a series of committees at WHO headquarters in Geneva, discussed with experts the use of analysis techniques and the impacts in the medical field. One of the main findings of BOLD was to disassociate the rate of cervical dilatation during labor from the risk of a negative outcome for the woman or baby. This result was so important that it is part of the new intrapartum care guideline released by the WHO in 2018. Finally, it is part of the "WHO Intrapartum Care Algorithms Working Group", whose objective was to build algorithms for computational tools for decision-making based on scientific evidence. The group mapped all the best evidence to 7 intrapartum decision scenarios, transforming the indications into algorithms easily adapted to programmable codes.

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.