A monitorização remota surgiu como uma solução valiosa, particularmente no contexto da Covid-19, uma vez que permite oferecer serviços de saúde acessíveis a uma população mais ampla. Através da recolha de dados fisiológicos e informações de saúde do utilizador, a tecnologia mHealth pode ser utilizada para monitorizar pacientes com doenças crónicas, detetar anomalias e prever eventos. O objetivo principal desta dissertação foi desenvolver mais uma aplicação de mHealth baseada em Inteligência Artificial, a aplicação AIMHealth. Para cumprir este objetivo, foram criados dois artefactos distintos: "Artefacto 1 - AIMHealth App para Recolha de Dados" e "Artefacto 2 - Análise de Dados para a AIMHealth App", cada um abordando uma pergunta de investigação diferente. O primeiro artefacto, que se concentrou em melhorar a experiência do utilizador na aplicação, através do emprego de princípios de design centrados no utilizador, recebeu avaliações positivas por parte dos médicos. Em contraste, o segundo artefacto que visou identificar padrões nos dados de saúde, obteve resultados inconclusivos.

Remote monitoring has emerged as a valuable solution, particularly in the context of the Covid-19, pandemic due to its capacity to provide accessible healthcare services to a larger population. By collecting user’s physiological data and health information, mHealth technology can be utilized to monitor patients with chronic conditions, detect anomalies and forecast events. The primary objective of this dissertation was to further develop an Artificial Intelligence-based mHealth application, called the AIMHealth app. To accomplish this objective, two distinct artifacts were created: "Artifact 1 - AIMHealth App for Data Collection" and "Artifact 2 - Data Mining for the AIMHealth App", each addressing a different research question. The first artifact, which focused on improving the user experience within the app, through the application of user-centered design principles, received positive evaluations by physicians. In contrast, the second artifact aimed to identify meaningful patterns in health data and followed the principles of the cross-industry standard process for data mining, however the results obtained were inconclusive.