Thalocan Research Innovations · Indianapolis, EUA · jan 2025 a jul 2025
LAMA
Lesion Area Mapping Assistant: aplicativo móvel com IA embarcada que detecta lesões de pele, classifica o grau e acompanha a evolução durante o tratamento. Atuei como QA.
Automação
suítes de testes escritas e mantidas
Caixa preta
validação pela ótica do usuário final
Relatórios
evidências e classificação de severidade
Resumo do que fiz
- Produto: o médico aponta a câmera para a lesão e o aplicativo identifica o tipo e classifica o grau, com processamento de imagem em tempo real no próprio telefone.
- Acompanhamento da evolução da lesão ao longo do tratamento, medindo a efetividade do medicamento nos estudos clínicos da empresa.
- Minha atuação como QA: suítes de testes automatizados com Jest e Selenium, ampliando cobertura e reduzindo regressões.
- Testes de caixa preta nos fluxos críticos, validando o produto pela ótica do médico em atendimento.
- Relatórios de qualidade com evidências e classificação de severidade, usados para priorizar correções.
Tecnologias
- Testes automatizadossuítes mantidas e executadas a cada entrega
- Testes de caixa pretavalidação pela ótica do usuário final
- Relatórios de qualidadeevidências e classificação de severidade
Classificação de severidade usada nos relatórios
O projeto
O LAMA, de Lesion Area Mapping Assistant, é um aplicativo móvel com inteligência artificial embarcada, feito para a Thalocan Research Innovations, empresa de Indianapolis que constrói tecnologia para ensaios clínicos em dermatologia. O médico aponta a câmera do celular para uma lesão e o aplicativo identifica o tipo e classifica o grau, com o processamento de imagem acontecendo em tempo real dentro do próprio telefone. Entrei no projeto como analista de QA.
O produto
O que o aplicativo faz
Não era um app de consulta: era instrumento de trabalho dentro de um estudo clínico.
01
Detecção de lesão pela câmera
O médico aponta o celular para a lesão, cancerígena ou não, e o aplicativo a identifica diretamente da imagem, sem equipamento adicional.
02
Classificação de tipo e grau
Além de detectar, o modelo informa o tipo da lesão e o grau em que ela se encontra, dando ao médico uma leitura imediata.
03
Acompanhamento da evolução no tratamento
Ao longo do tratamento com os medicamentos em estudo, o aplicativo acompanha como a lesão evolui, o que permite medir a efetividade do remédio sobre aquela lesão específica dentro do ensaio clínico.
04
Processamento embarcado, em tempo real
A inferência roda no próprio aparelho, sem depender de enviar a imagem para um servidor. Isso mantém o uso possível em consultório e evita trafegar imagem clínica.
Minha atuação
O que fiz como QA
Software de apoio à decisão clínica não tolera o mesmo nível de erro que um produto comum. Isso definiu a forma de testar.
01
Suítes de testes automatizados
Escrevi e mantive os testes automatizados do projeto com Jest e Selenium, ampliando a cobertura e reduzindo as regressões entre uma entrega e outra.
02
Testes de caixa preta nos fluxos críticos
Validei o produto pela ótica de quem usa, o médico em atendimento, percorrendo os caminhos reais em vez de só verificar unidades de código isoladas.
03
Relatórios de qualidade com evidência
Cada falha encontrada virava registro com evidência e classificação de severidade, material que o time usava para priorizar o que corrigir primeiro.
04
Contexto de alta exigência
Num aplicativo que informa tipo e grau de lesão, um defeito não gera só incômodo: ele entra na decisão do médico. O critério de aprovação era proporcional a isso.
Próximo projeto
Order Request