O Aurora passa a levar conflitos encontrados no Dataset Studio diretamente ao Data Hub e ao Data Quality, com recortes exatos, tratamentos versionados e nova pré-validação rastreável.
O Aurora, infraestrutura soberana de IA da Inova para saúde pública, passou a conectar os conflitos encontrados na preparação de datasets à investigação e à revalidação dos dados. A mudança é voltada a gestores públicos de saúde, hospitais e equipes de TI e permite sair de um bloqueio identificado no Dataset Studio para as linhas exatas que precisam ser analisadas.
O novo fluxo registra os conflitos da pré-validação por grupo, rótulo, contagem e identificadores das linhas de origem. No Data Hub, a equipe pode abrir um recorte fechado com até 100 linhas exatas associadas ao conflito, sem depender de uma busca textual aproximada. O sistema também mantém o contexto do grupo que originou o recorte.
A partir desse conjunto, o Aurora cria no Data Quality uma análise específica de consistência de rótulos por grupo. O resultado informa quantas linhas foram analisadas, quantos grupos foram encontrados e quantos apresentam rótulos contraditórios. A origem da análise fica vinculada ao dataset e à pré-validação que gerou o diagnóstico.
O tratamento pode ser escolhido explicitamente para cada grupo ou seleção: definir um rótulo canônico, excluir os registros do conjunto compilado ou deixá-los pendentes. Cada decisão exige justificativa e gera uma revisão imutável, com registro dos valores anteriores e da ação adotada. Revogar ou refazer um tratamento cria uma nova revisão, em vez de apagar o histórico.
Depois do tratamento, o gestor pode solicitar uma nova pré-validação. O resultado é associado à versão compilada do dataset por meio de um registro do tratamento, preservando a distinção entre a origem e a transformação aplicada para treinamento.
A consequência prática é um caminho mais direto entre identificar uma inconsistência e decidir o que fazer com ela. O fluxo documenta quais registros foram investigados, qual regra foi aplicada e em que etapa o conjunto foi revalidado, sem afirmar qualidade clínica do modelo ou alterar silenciosamente o dataset original.