Modelo preditivo da qualidade de medicamentos no Brasil

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Calatrone, Julia Diniz
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Escola Nacional de Administração Pública - Enap
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://repositorio.enap.gov.br/handle/1/7900
Resumo: Medicamentos que não atendem a padrões mínimos de qualidade, chamados substandard são um grande problema de saúde pública, pondo em risco a saúde dos consumidores. As agências reguladoras nem sempre possuem capacidade operacional para verificar todas as atividades de produção farmacêutica, e devem atuar baseadas no risco sanitário. O risco sanitário para direcionamento das ações de fiscalização comumente é determinado de forma empírica. Apesar dessa abordagem ter uma performance tradicionalmente aceitável, é necessário buscar modelos que otimizem custo e efetividade, minimizado assim a chance de que um medicamento substandard seja comercializado. Este trabalho faz uso de dados coletados de forma estruturada no ambiente regulatório da Anvisa para prever medicamentos substandard por meio de modelos de machine learning. Essa abordagem inovadora na área da regulação sanitária abre oportunidades para a reformulação de processos de trabalho de fiscalização e também para a revisão da política de gerenciamento de dados institucional. No trabalho foram utilizados os modelos LASSO, Ridge e Elastic net para classificação, aplicados por meio do software R. As métricas de desempenho empregadas foram acurácia e ROC AUC. Todos os modelos atingiram resultados semelhantes de acurácia de aproximadamente 99%. O modelo LASSO se mostrou o mais adequado para a aplicação prática, por ter o melhor desempenho de ROC AUC com um valor de 0,99, e usando o menor número de variáveis.