Nas últimas décadas, o conceito de ontologia vem adquirindo destaque em diversas áreas do
conhecimento, transpondo suas raízes filosóficas para se tornar uma ferramenta essencial na ciência da
computação. No contexto da organização e interpretação de dados, as ontologias fornecem uma
estrutura formal e compartilhada para representar o conhecimento de um domínio, definindo um conjunto
estruturado de termos e suas relações (Guari
Este estudo insere-se em um contexto de inovação, propondo uma metodologia avançada para a
integração de dados heterogêneos, com foco especial no Sistema Único de Saúde (SUS) dos municípios
brasileiros. Por meio da construção de um Grafo de Conhecimento Semântico (GCS), este trabalho
visa superar os desafios impostos pela diversidade das fontes de dados. Tal abordagem promove uma
compreensão mais aprofundada e acessível das informações relativas a registros de óbitos, nascimentos
e notificações de casos de COVID-19. Expandindo a pesquisa anterior realizada por
Portanto, este estudo objetiva desenvolver um Grafo de Conhecimento Semântico (GCS), ONTOVID II, para integrar bases de dados heterogêneas do Sistema Único de Saúde (SUS) — especificamente do SIM (Sistema de Informações de Mortalidade), SINASC (Sistema de Informações de Nascidos Vivos) e e-SUS Notifica (Sistema de Notificação do Ministério da Saúde). A proposta visa fornecer aos gestores municipais uma visão unificada, servindo como uma ferramenta crucial para a tomada de decisão em saúde pública. Consequentemente, a questão de pesquisa que norteia esta investigação é: Como a integração semântica via GCS pode transformar dados dispersos das bases como SIM, SINASC e e-SUS Notifica em conhecimento acionável para a gestão municipal de saúde?
A próxima seção apresenta abordagens para integração de dados utilizando ontologias, conceitos sobre OBDA (Ontology-Based Data Access), OBDI (Ontology-Based Data Integration) e Grafos de Conhecimento Semântico (GCS). A seção 3 traz a revisão literária de trabalhos relacionados ao tema proposto. Já a seção 4 apresenta as fontes de dados utilizadas e a construção das ontologias. A seção 5 aborda a definição e utilização do GCS. A seção 6 apresenta os resultados obtidos e a seção 7 traz a conclusão do texto e proposta de trabalhos futuros.
Considerado um dos problemas mais antigos relacionado a abordagens com dados, o estudo sobre
integração teve seu início na década de 90, desde então, uma grande variedade de aspectos referentes a estes
problemas foram pesquisados tanto na área acadêmica quanto na indústria, dentre eles a possibilidade
de utilizar a integração semântica de dados. Usar semântica significa desenvolver sistemas de integração
de dados onde a semântica dos dados é explicitamente especificada e é levada em consideração para o
planejamento de todas as funcionalidades do sistema
Segundo
Organizações complexas geralmente possuem grande quantidade de dados armazenados em diferentes
bases, o que demanda a implementação de consultas unificadas. É o que acontece com as secretarias
municipais e estaduais de saúde no acesso às bases do SUS. Uma forma de mitigar este problema é usar
a abordagem OBDA que conecta uma ontologia (TBox) a dados de um banco de dados relacional (ABox)
por meio de uma camada de mapeamento, que posteriormente pode ser utilizada por um raciocinador
automatizado, como ilustrado na Figura 1. Segundo
Considerando um exemplo em que mesma pessoa é representada em um banco de dados por meio de
nome e data de nascimento, num segundo banco de dados por meio do CPF (Cadastro de Pessoa Física)
e num terceiro ela seja representada pela CNH (Carteira Nacional de Habilitação). Com a intenção de
combinar informações sobre esta mesma pessoa que estão armazenados em bancos de dados diferentes,
é preciso encontrar uma maneira em que se possa representá-la e combinar suas informações. Para este
tipo de integração de dados armazenados em bancos de dados distintos pode-se utilizar a abordagem
Ontology-Based Data Integration (OBDI). Segundo
Para iniciar o desenvolvimento deste trabalho foi feita uma revisão na literatura buscando trabalhos que
tivessem relação direta ou indireta com o tema da pesquisa. Inicialmente, examinamos pesquisas que
demonstravam a aplicação da integração semântica em domínios variados. Por exemplo,
No domínio público não específico de saúde, por exemplo, o estudo de (Vidal et al., 2021) se destaca por propor a construção de um Grafo de Conhecimento Semântico (GCS) a partir de fontes heterogêneas como Receita Federal, IBGE e Correios, demonstrando a viabilidade técnica para criar uma representação semântica unificada de dados governamentais. Dentre os trabalhos focados em saúde pública, identificamos importantes esforços que servem como base para esta pesquisa. (Pereira, 2019) e a plataforma SemanticSUS 1 (Lima da Cruz et al., 2019) se concentram na integração semântica entre os sistemas SIM e SINASC, estabelecendo uma base metodológica crucial para a unificação de dados vitais. Aproximando-se do contexto pandêmico, (Maddalena and Baião, 2021) desenvolveram uma ontologia para a COVID-19 baseada na UFO (Unified Foundation Ontology), oferecendo um modelo conceptual valioso. Complementarmente, (Fernantes, 2012) visou à integração de dados epidemiológicos para minimizar a intervenção humana na análise, objetivo que dialoga com a motivação de automatização deste projeto.
Embora essa base literária seja robusta, observa-se uma lacuna crítica: a integração simultânea e tríplice entre dados vitais (SIM, SINASC) e dados epidemiológicos de notificação (e-SUS Notifica). Os trabalhos relacionados concentram-se primordialmente na integração de pares de bases ou na modelagem de um domínio único. Portanto, este projeto diferencia-se ao propor um GCS que consolida e inter-relaciona essas três fontes heterogêneas, com o propósito explícito de gerar insights acionáveis para a tomada de decisão municipal em tempo crítico, bem como facilitar a inclusão de novas fontes de dados do SUS, ampliando o GCS.
Para dar início à implementação das ontologias inicialmente firmou-se uma parceria entre a UFBA e a Secretaria Municipal de Saúde de Camaçari. Esta parceria foi necessária para que os dados pudessem ser acessados e com isso a ontologia pudesse ser construída com o objetivo de ser utilizada na Secretaria. Seguindo a Lei Geral de Proteção de Dados (LGPD), Lei nº 13.709/2018, este trabalho não apresenta dados pessoais, apenas informações quantitativas. As bases utilizadas neste trabalho foram as do SIM, SINASC e e-SUS Notifica, elas representam a Camada de Fonte de Dados da Figura 2. Na figura pode-se observar Figura 2: Fluxo proposto para este projeto. (Fonte: autor) o modelo proposto para este projeto onde, em verde, tem-se a inclusão da ontologia de Notificações de COVID-19 e em azul a realização da integração semântica entre as ontologias SINASC x SIM x COVID-19. Com estas integrações, na Camada de Ontologia de Domínio (OD) encontra-se a ontologia capaz de responder questões de competência referentes às fontes de dados apresentadas. As base do SIM e SINASC foram configuradas em um banco de dados Firebird 2, rodando no sistema operacional Windows3. Por se tratar de um banco de dados antigo, foram disponibilizados dois arquivos de extensão .fdb, um para cada base de dados, não foi disponibilizado o acesso direto a base da secretaria. Para acesso a base de dados do e-SUS Notifica, foi disponibilizada uma view em PostgreSQL 4 que roda num servidor Linux OpenSUSE5.
A base de dados do SINASC contém informações sobre nascimentos e, assim como os dados relacionados ao SIM, apenas a tabela principal TB_DN (tabela sobre dados de nascimento) foi utilizada. Desta tabela consegue-se obter informações necessárias para construir a ontologia de fonte OF_SINASC, são elas: APGAR6 primeiro minuto, APGAR quinto minuto, CNS, data de nascimento, ID, idade, nome completo, número de declaração de nascido vivo, peso ao nascer, quantidade de nascidos mortos, sexo, tempo de gestação e tipo de parto. 2https://firebirdsql.org/ 3https://www.microsoft.com/pt-br/windows 4https://www.postgresql.org/ 5https://www.opensuse.org/ 6APGAR (Aparência, Pulso, Gesticulação, Atividade, Respiração) é uma escala que avalia a saúde do recém-nascido nos primeiros minutos de vida 4.2. SIM A base de dados do SIM contém informações sobre mortalidade, para este projeto não foi utilizada toda a estrutura de dados do SIM, apenas a tabela principal TB_DO. Desta tabela consegue-se obter informações necessárias para construir a ontologia de fonte OF_SIM, são elas: CID, CNS, data do atestado de óbito, data do óbito, data de nascimento, dias vividos, ID, idade, nome completo, número de declaração de nascido vivo, número da declaração do óbito, quantidade de nascidos mortos e sexo.
A base de dados do e-SUS Notifica contém as informações de notificação de COVID19. Esta base trata-se de uma view que contém informações necessárias para construção da OF_NOTIFICA, são elas: bairro, CEP, cidade, classificação final, CNS, ID, CPF, data do teste, data do teste Lamp, data do teste PCR, data de nascimento, data da primeira dose, data da segunda dose, CBO, e-mail, estado, estado do teste, evolução do caso, laboratório da primeira dose, laboratório da segunda dose, nome completo, número da notificação, primeira dose, segunda dose, resultado do teste, sexo, sintoma e tipo do teste.
Neste trabalho, as ontologias de fonte são as ontologias que representam as fontes de dados a elas associadas, sendo assim tem-se OF_SIM, OF_SINASC e OF_NOTIFICACOES, estando elas relacionadas as bases dados do SIM, SINASC e e-SUS Notifica respectivamente. Todas as ontologias foram criadas utilizando a linguagem OWL 2 com sintaxe RDF/XML e estas representam a Camada de Ontologias de Fonte(OF). A da Figura 3 mostra um exemplo de ontologia de fonte, a OF_SIM. Nesta ontologia temos as Figura 3: Representação da ontologia de fonte OF_SIM construída no Prótégé. (Fonte: autor) classes: i) CausaDaMorte, que representa a causa do óbito; ii) Óbito, que possui as informações sobre o óbito de uma pessoa; iii) Pessoa, que representa uma pessoa na base do SIM; iv) Mãe, que possui dados sobre a mãe de uma pessoa que veio a óbito e; v) Pai, que possui dados sobre o pai de uma pessoa que veio a óbito. A classe Pessoa tem as subclasses (has subclass) Mae e Pai, as linhas pontilhadas representam as relações entre as classes, onde i) Pessoa temRegistroDeObito da classe Obito; ii) Pessoa pode ter informações do pai (temPaiSIM); iii) Pessoa tem informações da mãe (temMaeSIM) e; iv) Obito temCausaMorte da classe CausaMorte.
As ontologias de integração criadas para este projeto dão continuidade ao trabalho iniciado com as ontologias de fonte. As ontologias de integração também foram criadas no Protégé onde, cada ontologia foi criada a partir da importação da ontologia de fonte correspondente. Assim temos: i) OI_SIM importada de OF_SIM; ii) OI_SINASC importada de OF_SINASC e iii) OI_NOTIFICACOES importada de OI_NOTIFICACOES. As ontologias de integração construídas representam a Camada de Ontologias de Integração (OI) da Figura 2 da Proposta. Utilizando recurso de importação, qualquer alteração que seja realizada na ontologia de fonte automaticamente se reflete na ontologia de integração, isso reduz a necessidade de alteração em ambas ontologias. Diferentemente das ontologias de fonte, as ontologias de integração possuem ligação com bases de dados onde o Prótégé se conecta às bases utilizando drivers JDBC. A estratégia de vinculação de registros utilizada na Ontovid II baseia-se no conceito de “indivíduos” como elementos de referência compartilhada entre as bases. Para cada entidade, são priorizados identificadores disponíveis como CPF, data de nascimento, sexo e município de residência. Nos casos em que algum identificador está ausente, a instância é criada apenas com os atributos disponíveis, preservando a consistência semântica, ainda que com menor capacidade de seleção. Não foram aplicados, nesta fase, algoritmos avançados de resolução de conflitos, aspecto reconhecido como limitação e direcionado para evolução em trabalhos futuros.
A necessidade de produzir informações integradas e de fácil acesso tem impulsionado o desenvolvimento de novas soluções que facilitem o processo de integração entre estes dados. Este tipo de integração pode ser complexa e onerosa devido à heterogeneidade semântica ou distribuição de dados, e isso também acontece com dados da área de saúde. Soluções para este tipo de integração tem se mostrado eficiente com abordagens que utilizam ontologias. Este trabalho tem como objetivo realizar a integração semântica entre as bases SIM, SINASC e e-SUS Notifica por meio de grafos de conhecimento semântico, de forma a minimizar as dificuldades recorrentes enfrentadas por gestores do SUS no acesso a dados de saúde integrados. A proposta visa disponibilizar indicadores consolidados que apoiem análises relacionadas a nascimentos, óbitos e notificações de COVID-19, fortalecendo a capacidade de planejamento e gestão em saúde pública. Para isso foram utilizadas soluções semelhantes para criação da ontologia com domínio relacionado a dados sobre Nascimentos, Óbitos e Notificações de COVID-19. Para além, utilizouse também o cenário 4 da metodologia NeOn 7, neste processo foram desenvolvidas as ontologias determinando seu domínio e escopo. Uma vez construídas as ontologias de fonte e de integração, o passo subsequente foi a implementação da ontologia de domínio a ser utilizada pelo Grafo de Conhecimento Semântico (GCS). No modelo proposto, representado na Camada Semântica da Figura 6, esta ontologia de domínio corresponde à camada ilustrada na Figura 2. A ontologia de domínio resultante, denominada ONTOVID II e representada na Figura 4, consolida os conceitos das três fontes de dados (e-SUS Notifica, SINASC e SIM).
Sua estrutura pode ser analisada da seguinte forma: a) Bloco 1: Agrupa as classes e subclasses necessárias para representar o domínio do e-SUS Notifica, como TesteCovid19, Notificacao, ProfissionalDeSaude e Vacina; b) Bloco 2: Contém as classes e subclasses referentes aos dados do SINASC, como RegistroNascidoVivo, Gestacao, Nascimento e Mae; e c) Bloco 3: Apresenta as classes e subclasses do SIM, centradas na classe Obito e CausaDaMorte. Todas essas classes herdam propriedades e restrições de suas respectivas ontologias locais, garantindo a consistência semântica. Finalmente, as classes Pessoa, Pai e Mae (à direita) desempenham um papel crucial como classes de unificação, agregando e harmonizando as propriedades comuns provenientes das três ontologias locais, o que permite uma visão integrada e coerente do cidadão nos diferentes sistemas. 7Cenário 4 da metodologia NeOn é um dos nove cenários propostos para o desenvolvimento de ontologias, focado especificamente na reutilização e reengenharia de recursos ontológicos não ontológicos. Figura 4: Ontologia de domínio Ontovid II. (Fonte: autor)
A Figura 5 mostra o modelo conceitual do GCS que representa a ontologia de domínio presente na Figura 2 e, a seguir serão apresentadas as classes das ontologias locais, que permearam o acesso as fontes de dados do SIM, SINASC e e-SUS Notifica: • SIM: i) Óbito e; ii) Causa da Morte • SINASC: i) Gestação; ii) Parto; iii) Nascimento e; iv) Registro de Nascido Vivo • e-SUS Notifica: i) Paciente; ii) Endereço; iii) Profissional de Saúde; iv) Vacina; v) Notificação; vi)
Classificação Brasileira de Ocupação (CBO) e vii) Estabelecimento de Saúde Após levantamento dos modelos conceituais das bases, observou-se que as classes Pessoa, Pai e Mãe são conceitos que se relacionam a todas ontologias das fontes de integração. Com relação ao SIM observa-se que Pessoa que tem Mãe, tem Pai, tem registro de Óbito e este tem a Causa da Morte. Com relação ao SINASC, uma Pessoa nascida possui Registro de Nascido Vivo e neste registros encontram-sem informações do Parto, do Nascimento, da Gestação, da Mãe e do Pai. Com relação às Notificações, Profissional de Saúde é uma Pessoa que aplica Vacina e o mesmo pode se vacinar, tem CBO, realiza as Notificações e tem vínculo com Estabelecimento de Saúde. Paciente é uma Pessoa que tem dados da Notificação e a notificação tem o registro de Vacina e do TesteCovid19. Figura 5: Modelo conceitual do GCS (Fonte: autor)
A Figura 6 a seguir mostra o modelo em camadas da proposta do projeto. Este modelo foi construído baseado na abordagem hibrida apresentada na seção 2.2. No modelo apresentado é possível observar a Camada de Aplicações e Consultas onde são realizadas consultas SPARQL, a Camada Semântica onde encontra-se o GCS Compartilhado que representam o modelo apresentado na Figura 5, a Camada Ontológica que representam as ontologias que construídas para o projeto e por fim a Camada de Dados que representa as bases acessadas pelas ontologias da camada ontológica.
Para validar a integração realizada e consequentemente a ontologia de domínio, foram utilizadas Questões de Competência (QCs) para extrair informações das bases utilizadas (SIM, SINASC e Notificações de COVID-19). Para isso, tomou-se como base painéis que mostram graficamente dados de saúde utilizado pela Secretaria Municipal de Saúde de Camaçari, são eles: i) Painel de Mortalidade (SIM); ii) Painel de Natalidade (SINASC); iii) Painel de Notificações de COVID-19; iv) Painel de Saúde Materno-Infantil (SIM - SINASC) e; v) Painel de Notificações x SIM x SINASC. Para atender a estes painéis foram formuladas quatorze questões de competência para o Painel de Natalidade, sete para o Painel de Mortalidade e seis para o painel de Saúde Materno-Infantil, a Tabela 1 traz algumas dessas questões de competência. Foram formuladas também questões que abrangessem os dados de Notificação de COVID-19. Figura 6: Modelo ONTOVID II em camadas.(Fonte: autor).
Para este caso foram formuladas seis Questões de Competência (QCs) envolvendo somente a base de Notificações e oito envolvendo as bases do SIM, SINASC e Notificações. Seguem as Questões de Competência levantadas para este projeto e seus resultados em 19 de julho de 2023. Observando os resultados relacionados na Tabela 1, vale ressaltar que as consultas realizadas para compor o Painel de Mortalidade (SIM), o Painel de Natalidade (SINASC) e o Painel de Notificações de COVID-19 podem ser consideradas consultas simples pois suas ontologias acessam diretamente uma única base de dados. Já as consultas realizadas para compor o Painel de Saúde Materno-Infantil (SIM - SINASC) e o Painel de Notificações x SIM x SINASC podem ser consideradas consultas complexas pois estas acessam duas ou mais bases de dados diferentes. Com relação a estas consultas mais complexas, o uso de ontologias se torna um facilitador pois seu dicionário de dados abstrai as relações entre estas bases de dados distintas, assim, conhecendo este dicionário, construir consultas que relacionem estas bases se torna uma tarefa mais simplificada de se realizar. As Questões de Competência (QCs) descritas na Tabela 1 foram construídas em linguagem SPARQL e executadas no Prótégé. Todos os resultados foram apresentados à Secretaria Municipal de Saúde de Camaçari para validação dos gestores. As consultas foram executadas no ambiente de desenvolvimento e os responsáveis pela validação analisaram e aceitaram8 como válidos os dados informados nas consultas, com isso, há um forte indício para utilização da ONTOVID-II em ambiente de produção. A avaliação realizada concentrou-se na validação qualitativa dos resultados junto à equipe técnica da Secretaria Municipal de Saúde de Camaçari. Essa abordagem foi sucfiiente para demonstrar a correção das consultas formuladas, mas não contemplou métricas quantitativas como tempo médio de execução, escalabilidade ou indicadores de precisão no processo de vinculação de registros. O reconhecimento dessas limitações é importante para orientar pesquisas futuras, nas quais se pretende ampliar os experimentos e adotar medidas comparativas de desempenho. 8https://drive.google.com/drive/folders/1Ow_Y41NJERS2TWEGGK71n9U_zgVUzEH1?usp=sharing Tabela 1 Questões de Competência para ONTOVID II (Fonte: autor) Painel de Mortalidade (SIM) QC 01: Número de óbitos nos anos 2021, 2022 e 2023 QC 02: Mortalidade por COVID-19 - CID B342 Painel de Natalidade (SINASC) QC 01: Número de nascidos vivos nos anos 2021, 2022 e 2023 QC 02: Taxa bruta de natalidade nos anos 2021, 2022 e 2023 - Município IBGE 290570 (Camaçari) Painel de Notificações de COVID-19 QC 01: Óbitos que ocorreram em função do COVID-19 QC 02: Total de pessoas se recuperaram plenamente do COVID-19 QC 03: Total de pessoas vacinadas pegaram COVID-19 (confirmados em laboratório) QC 01: Número de Mulheres que vieram a óbito em Idade Fértil (faixa etária de 10 a 49 anos) QC 02: Taxa de Mortalidade Infantil por 1000 nascidos vivos - Município IBGE 290570 (Camaçari) Painel de Notificações x SIM x SINASC QC 01: Óbitos com registro no SIM QC 02: Mortalidade por COVID-19 com registro no SIM QC 03: Mortalidade por COVID-19 com registro no SIM por ano de nascimento Painel de Saúde Materno-Infantil (SIM - SINASC) Resultado Resultado 2021: 2088 2022: 1580 2023: 576
Total: 799 Resultado
O objetivo principal deste trabalho foi realizar a integração semântica entre as bases heterogêneas SIM, SINASC e e-SUS Notifica, utilizando grafos de conhecimento semântico, com o propósito de apoiar gestores do SUS no acesso a informações integradas sobre nascimentos, óbitos e notificações de COVID-19.
Esse objetivo foi alcançado por meio do desenvolvimento da ontologia Ontovid II, construída a partir de uma abordagem híbrida de integração. A solução permitiu responder a questões de competência formuladas pela Secretaria Municipal de Saúde de Camaçari-BA, com resultados validados pela equipe técnica, demonstrando seu potencial de aplicação prática em ambiente produtivo. Assim, pode-se afirmar que a questão de pesquisa que orientou este estudo — “Como integrar semanticamente bases heterogêneas de saúde pública (SIM, SINASC e e-SUS Notifica), de modo a disponibilizar informações integradas que apoiem gestores do SUS na tomada de decisão?” — foi respondida com a construção e validação da ontologia Ontovid II.
Apesar dos resultados alcançados, este estudo apresenta algumas limitações. A solução foi validada apenas com dados do município de Camaçari-BA, o que restringe sua generalização imediata para outros contextos. Além disso, não foi desenvolvido um protótipo de interface para uso direto pelos gestores, o que limita a aplicabilidade imediata em ambiente produtivo. Por outro lado, os resultados evidenciam relevantes implicações práticas: a utilização de grafos de conhecimento semântico mostrou-se eficaz para integrar dados heterogêneos de saúde, reduzindo a complexidade técnica do acesso às informações e oferecendo suporte direto para gestores municipais no acompanhamento de indicadores de mortalidade, natalidade e notificações de COVID-19.
Como trabalhos futuros, pretende-se: i) incorporar outras bases de dados de saúde, como a da Campanha Nacional de Vacinação contra a COVID-19; ii) realizar o alinhamento das ontologias desenvolvidas com ontologias de alto nível, como DOLCE ou BFO; iii) desenvolver um protótipo funcional para apresentar os resultados em ambiente produtivo e; iv) implementar métricas quantitativas, avaliação de desempenho e testes de escalabilidade para que se possa avaliar a robustez da integração sob uso em larga escala. Além disso, pretende-se disponibilizar as ontologias, arquivos de mapeamento e consultas SPARQL em repositório aberto, acompanhados de conjuntos de dados sintéticos anonimizados, a fim de favorecer a reprodutibilidade e a transparência metodológica. Também se planeja expandir os experimentos para outros municípios, explorando a generalização da abordagem em cenários com diferentes perfis e padrões de qualidade de dados.
Os autores gostariam de agradecer o suporte financeiro recebido da Fundação de Amparo à Pesquisa do Estado da Bahia (FAPESB), por meio do projeto "UAware: Uma Plataforma de Comunicação de Crise Ubíqua e Sensível ao Contexto de apoio ao Gerenciamento de Emergências em Cidades e Áreas Industriais"(Termo de Outorga TIC 0008/2015).
Agradecemos também à Prefeitura Municipal de Camaçari, em especial à Secretaria de Saúde e à Diretoria de Planejamento, pelo indispensável acesso aos dados, pelo compartilhamento de conhecimento técnico do domínio e pelo constante apoio durante a realização desta pesquisa.
Durante a preparação deste trabalho, os autores utilizaram o ChatGPT (GPT-4, OpenAI) e o GitHub Copilot para apoio no aprimoramento textual, verificação gramatical e ortográfica, bem como para sugestões de código. Após a utilização dessas ferramentas, o conteúdo foi integralmente revisado e editado pelos autores, que assumem total responsabilidade pelo conteúdo da publicação. in the extraction and integration of query-based information from heterogeneous web data sources, in: Proceedings of the Third Australasian Workshop on Advances in Ontologies - Volume 85, AOW ’07, Australian Computer Society, Inc., AUS, 2007, p. 35–43.
L. Zhao, R. Ichise, Ontology integration for linked data, Journal on Data Semantics 3 (2014) 237–254.
URL: https://doi.org/10.1007/s13740-014-0041-9. doi:10.1007/s13740-014-0041-9. G. Xiao, D. Hovland, D. Bilidas, M. Rezk, M. Giese, D. Calvanese, Eficient ontology-based data integration with canonical iris, in: A. Gangemi, R. Navigli, M.-E. Vidal, P. Hitzler, R. Troncy, L. Hollink, A. Tordai, M. Alam (Eds.), The Semantic Web, Springer International Publishing, Cham, 2018, pp. 697–713. T. Vidal, C. Viktor, S. Avila, R. Mariano, T. Calixto, P. Ivo, J. Filho, A. Brayner, M. Vidal, Uso das tecnologias da web semântica na construção de grafos de conhecimento semântico baseado no enfoque híbrido, 2021.
D. L. N. C. Pereira, Integração semântica das bases de dados do Sistema Único de Saúde: um estudo de caso com o Município de São Paulo, Master’s thesis, Universidade de São Paulo, São Paulo, 2019. M. M. Lima da Cruz, C. Viktor, V. Vidal, N. Arruda Junior, Semanticsus: Um portal semântico baseado em ontologias e dados interligados para acesso, integração e visualização de dados do sus, 2019, pp. 13–18. doi:10.5753/sbcas.2019.6277.
L. Maddalena, F. Baião, Ontocovid: Aplicando sabio para a modelagem conceitual bem fundamentada no domínio da covid-19. (ontocovid: Applying sabio to conceptual modeling well grounded in the covid19 domain), in: F. Farinelli, R. C. G. Berardi, J. L. Carbonera, D. Schmidt (Eds.), Proceedings of the XIV Seminar on Ontology Research in Brazil (ONTOBRAS 2021) and V Doctoral and Masters Consortium on Ontologies (WTDO 2021), Online, Brazil, November 16-19, 2021, volume 3050 of CEUR Workshop Proceedings, CEUR-WS.org, 2021, pp. 259–266. URL: http://ceur-ws.org/Vol-3050/Short5.pdf. F. L. G. D. Fernantes, Integração de Dados Baseada em Ontologias e Raciocínio Automático: Estudo de Caso com Dados Públicos de Saúde, 2012. URL: https://repositorio.ufpe.br/handle/123456789/10973.