Abstract
<jats:p>O monitoramento de fluxos de dados em saúde é vital para garantir a integridade de predições críticas, como as do framework MedLens, exigindo alta precisão e baixa interferência no desempenho clínico. Contudo, a execução de rotinas de monitoramento em Python enfrenta gargalos de escalabilidade devido ao Global Interpreter Lock (GIL), que limita o paralelismo de threads em tarefas intensivas de CPU. Este trabalho apresenta uma avaliação de novas interfaces de monitoramento baseadas no módulo concurrent.futures (ThreadPoolExecutor e ProcessPoolExecutor) para a extração de logs de tempo em sinais médicos. A metodologia consistiu em um estudo de caso multi-core (p = 6) analisando métricas de Speedup (Sp) e Eficiência (Ep). Os resultados revelam comportamentos opostos: enquanto o modelo de threads sofreu degradação de desempenho (Sp = 0, 85) devido ao overhead de troca de contexto, o modelo de processos alcançou ganho de escala real com Sp = 3, 14, reduzindo o tempo de execução em mais de 295 segundos. Conclui-se que, dentre as abordagens avaliadas, o uso de processos demonstrou-se a alternativa mais eficaz para garantir que a rastreabilidade não comprometa a latência das predições clínicas, permitindo a adaptação da infraestrutura hospitalar às demandas de alto desempenho.</jats:p>