Modelos inteligentes de machine learning aplicados a índices de desenvolvimento humano

Resumo

Contexto: A predição de mortalidade em ambientes clínicos é um desafio crítico, dado o impacto direto nas decisões de tratamento e alocação de recursos. Para abordar esse problema, foram utilizados dados da base MIMIC III, um repositório abrangente de informações de pacientes internados em unidades de terapia intensiva (UTI) do Beth Israel Deaconess Medical Center, entre 2001 e 2012. A aplicação de algoritmos de machine learning (ML) tem se mostrado promissora na análise de grandes volumes de dados clínicos, permitindo identificar padrões e fatores de risco associados à taxa de mortalidade. Neste contexto, a comparação entre diferentes algoritmos de ML é fundamental para avaliar qual oferece melhor precisão e eficácia na predição da taxa de mortalidade. Objetivo: Analisar as métricas, como,  acurácia e o F1-score, de dois algoritmos de machine learning, K-Nearest Neighbors (KNN) e Multilayer Perceptron (MLP) na predição da taxa de mortalidade em pacientes de UTI, utilizando a base de dados MIMIC III, identificando quais algoritmos apresentam maior precisão com as variáveis clínicas. Metodologia: Utilizou-se a base de dados MIMIC III, com foco em sinais vitais e exames laboratoriais para construir os modelos preditivos. Os algoritmos empregados incluem K-Nearest Neighbors (KNN) e Multilayer Perceptron (MLP), comparados em termos de acurácia e F1-score. A estratégia de modelagem envolveu a limpeza e balanceamento dos dados, seguida pela otimização dos hiperparâmetros dos modelos. Resultados: Em estudos anteriores, como o de Harutyunyan et al. (2019), a acurácia do KNN e do MLP foi de 0,902 e 0,897, respectivamente, enquanto os valores obtidos neste estudo foram de 0,922 e 0,904, respectivamente. Os valores de F1-score apresentados entre parênteses nos estudos anteriores, foram para o KNN (0,869) e para o MLP (0,848), enquanto no presente estudo, os valores obtidos foram para o KNN (0,913) e o MLP (0,875). Esses números refletem uma melhoria no desempenho dos algoritmos após ajustes e otimizações específicos, como a aplicação de técnicas de interpolação para lidar com dados ausentes, a seleção cuidadosa dos sinais médicos mais relevantes, e o uso de classificadores em ensemble. Conclusão: A análise comparativa revelou que a inclusão de técnicas avançadas de balanceamento de dados e a otimização contínua dos modelos podem potencializar ainda mais a precisão dessas predições em futuros estudos, permitindo a escolha do modelo mais adequado para esse problema. Além disso, os modelos de ML podem prever a taxa de mortalidade futura com maior precisão, considerando as tendências atuais e os fatores que influenciam a taxa de mortalidade. Portanto, ao combinar os insights gerados pelos modelos de ML com o conhecimento de especialistas em diferentes áreas, podemos desenvolver políticas públicas mais eficazes para promover o desenvolvimento humano em todo o mundo.