Inteligência artificial para a vigilância de doenças crônicas não-transmissíveis

• Ano de defesa: 2023
• Autor(a) principal: Silva, Gabriel Ferreira dos Santos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Chronic Non-Communicable Diseases; Doenças Crônicas Não Transmissíveis; Gestão de Saúde; Health Management; Machine Learning; Mortalidade; Mortality
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-12122023-151719/

As doenças crônicas não transmissíveis (DCNT) representam um desafio significativo para a saúde global, exercendo impacto substancial nos sistemas de saúde em todo o mundo e demandando ações de vigilância e gestão. Nos últimos anos, a utilização de algoritmos de Machine Learning (ML) tem se mostrado uma abordagem promissora para aprimorar ao cuidado e a gestão de saúde. Nesse sentido, esta tese buscou desenvolver algoritmos de ML que contribuam para a vigilância, prevenção e tratamento de DCNT, com o objetivo de colaborar com a saúde pública através de dados e inteligência artificial (IA). Para isso, foram desenvolvidos, em parceria com a Secretaria de Estado da Saúde de São Paulo, quatro manuscritos com distintas aplicações, que compõem a coletânea de artigos desta tese. No primeiro artigo, foi desenvolvida uma revisão sistemática da literatura para explorar o uso de algoritmos de ML na predição da hipertensão arterial. Vinte e um artigos publicados entre janeiro de 2018 e maio de 2021 foram analisados, demonstrando o potencial dos algoritmos de ML para predizer a hipertensão e aprimorar as decisões clínicas preventivas, ainda que alguns dos trabalhos avaliados tenham apresentado problemas de seleção de variáveis e adoção de boas práticas preditivas. O segundo artigo concentrou-se na predição do risco de mortalidade em pacientes com neoplasias malignas no estado de São Paulo. Utilizando dados longitudinais, algoritmos de ML foram testados, alcançando altos valores de Área sob a curva ROC (AUC-ROC) para diferentes tipos de câncer (acima de 0,90). Os resultados apontaram para o potencial para predizer o risco de óbito em pacientes com câncer no estado de São Paulo. O terceiro artigo explorou o uso de algoritmos de ML não supervisionados para a regionalização dos municípios do estado de São Paulo com base nos perfis de morbimortalidade por DCNT. Por meio do agrupamento dos 645 municípios, o estudo identificou áreas contíguas com morbidades e mortalidades semelhantes. Esta abordagem demonstrou o potencial da utilização de ML no fornecimento de informações para o planejamento e a gestão dos sistemas de saúde. Por fim, no quarto artigo buscou-se desenvolver algoritmos de ML para a avaliação da performance da gestão de saúde crônica nos municípios do estado de São Paulo. Para isso, foram calculados os valores esperados de mortalidade prematura ajustada pela idade para cada um dos municípios no período de 2010 a 2019, a partir de um algoritmo de ML. Esses valores esperados, quando comparados com o observado nesses municípios, apontaram para a presença de casos de overachievers ou underachievers, que podem direcionar políticas de saúde e a atenção a nível estadual. As pesquisas apresentadas nesses artigos têm o potencial de contribuir para o avanço das aplicações de ML no campo da saúde pública, abrindo caminhos para estratégias mais eficazes no enfrentamento das DCNT e na promoção de saúde da população.