As técnicas de mineração de processos vêm sendo aplicadas com sucesso como abordagens baseadas em dados e específicas do domínio para melhorar o desempenho do processo de negócios em várias organizações. Dentre suas aplicações, a Mineração de Desvios (Deviance Mining) visa descobrir as razões pelas quais um subconjunto das execuções de um processo de negócio desvia-se em relação aos seus resultados esperados ou desejáveis, produzindo assim insights para melhorar a operação do processo, tais descobertas podem ser feitas utilizando técnicas de aprendizado de tratamentos (Treatment Learning), que identificam os conjuntos de atributos mais influentes nos resultados. No entanto, apesar de os processos da vida real serem tipicamente compostos por eventos de duração não instantânea (eventos não atômicos), as abordagens existentes para mineração de processos, e para mineração de desvios em particular, endereçam exclusivamente eventos atômicos em seus experimentos. Este trabalho propõe um método orientado ao domínio para detectar automaticamente desvios em processos compostos por eventos não atômicos. O método utiliza a dimensão temporal dos eventos não atômicos para aplicar a mineração de desvios, gerando insights sobre como a duração e a ocorrência simultânea de eventos geram desvios e como esses desvios impactam os resultados dos processos. O método foi aplicado com sucesso no domínio da COVID-19, para descobrir quais sequências de intervenções não farmacêuticas mais contribuíram para diminuir a taxa de casos de COVID-19 em países ao redor do mundo.