Com este projeto, foi elaborada uma plataforma de prestação de serviços e de apoio a decisões sobre medidas de prevenção de morte neonatal, utilizando dados de uma coorte do Cidacs. São oferecidos três serviços: visualização de dados da coorte usando análise visual humana comparativa; predição de risco de morte neonatal com base em modelos de machine learning; e simulação do impacto de políticas públicas sobre o risco de morte neonatal.
Um novo conjunto de dados, denominado BRNeoDeath, foi construído utilizando informações do Sistema de Informação de Mortalidade (SIM) e do Sistema de Informação de Nascidos Vivos (SINASC). Esse processo envolveu a análise dos dados e a correção, pois é comum que os registros do SIM e do SINASC apresentem variáveis ausentes. O conjunto de dados final inclui 47.326.125 amostras, abrangendo o período de 2006 a 2016. Para a visualização dos dados, também foram incorporadas informações demográficas do Censo Brasileiro, cobrindo os anos de 2000 a 2016.
Para classificar o risco de mortalidade neonatal, utilizou-se um subconjunto de registros do BRNeoDeath especificamente relacionados à cidade de São Paulo. Foi realizada uma análise exploratória para caracterizar esse subconjunto e observar a distribuição das características em cada classe (vivos ou falecidos). Esse subconjunto foi então submetido a experimentos com várias transformações, como agregação e criação de variáveis dummy, para aprimorar a representação das características originais. Posteriormente, foram estabelecidos protocolos de avaliação para testar modelos de aprendizado, incluindo validação cruzada e diferentes estratégias de divisão dos conjuntos de treinamento e teste. Os métodos de aprendizado de máquina mais promissores foram selecionados—como Regressão Multivariada, Gradient Boosting, XGBoost e SVM—para classificar as amostras de acordo com seu risco de mortalidade. O melhor resultado nesse conjunto de dados inicial alcançou uma AUC de 96% ao utilizar todas as características disponíveis.
Para garantir que o modelo desenvolvido pudesse ser aplicado efetivamente em cenários reais, foram utilizados valores d SHAP, que proporcionaram uma compreensão clara da importância de cada característica no modelo de aprendizado de máquina. Além disso, foram exploradas hipóteses em torno do uso de características pré ou pós-parto para construir modelos orientados por dados e examinar a complementaridade potencial dessas duas abordagens. Essa metodologia foi então aplicada ao BRNeoDeath para analisar o comportamento do modelo em uma situação mais complexa, à medida que os riscos de mortalidade foram avaliados em regiões altamente heterogêneas.
O projeto foi responsável pelo desenvolvimento de duas metodologias próprias que contribuem significativamente para o avanço do estado da arte na área do conhecimento. A primeira metodologia diz respeito a um algoritmo baseado em Inteligência Artificial para a classificação de recém-nascidos quanto ao risco de óbito nos primeiros, utilizando para isso informações do Sistema de Nascidos Vivos. A segunda metodologia desenvolvida diz respeito a um algoritmo para a predição das taxas de mortalidade neonatal para regiões de saúde brasileiras.
O projeto adota uma abordagem inovadora ao utilizar ferramentas especializadas como a arquitetura SaaS em um ambiente de Computação em Nuvem, aumentando significativamente a força das análises do estudo. Essa configuração permite a visualização e manipulação de dados de grandes segmentos populacionais, aproveitando especificamente informações da ‘Coorte dos 100 Milhões de Brasileiros’, o que facilita o desenvolvimento de indicadores de acompanhamento.
Os primeiros 28 dias de vida são os mais vulneráveis para a sobrevivência de uma criança. A mortalidade nesse período é influenciada por fatores biológicos, socioeconômicos e de assistência à saúde. Quase 46% das mortes no mundo ocorrem em crianças com menos de cinco anos, sendo concentradas na primeira semana de vida. As principais causas de mortes neonatais incluem malformações congênitas, asfixia durante o parto e infecções perinatais, a maioria das quais pode ser prevenida.
No Brasil, entre 1999 e 2013, apesar de uma redução nas mortes infantis em geral, 70% foram causadas por fatores evitáveis. A necessidade de cuidados adequados no pré-natal e no parto aumentou cerca de 33%. Abordar a mortalidade neonatal é essencial, uma vez que ela continua a crescer, e as intervenções necessárias são distintas das de outras causas. As altas taxas de mortalidade infantil no Brasil ressaltam a necessidade de ferramentas de apoio à tomada de decisão para avaliar riscos e implementar estratégias preventivas direcionadas.
Um dos resultados mais significativos do projeto foi a plataforma online construída e disponibilizada (plataformasami.com.br). Ela torna de fácil acesso todo o conhecimento produzido ao longo do projeto, o que pode contribuir para a construção de estratégias de políticas públicas voltadas à saúde materno infantil. A plataforma conta com diversas formas de visualizações interativas para correlação de indicadores ligados aos cuidados da mãe e do bebê. Conta ainda com modelos de Inteligência Artificial capazes de mensurar estatisticamente as chances de um recém-nascido vir a óbito nos primeiros 28 dias de vida. Por fim, a plataforma conta também com um serviço de predição futura (1,2, 3 e até 4 meses a frente) para taxas de mortalidade neonatal por regiões de saúde.
A equipe do projeto pretende desenvolver um sistema de simulação para avaliar como ações específicas de políticas públicas podem afetar diversas questões, como a mortalidade neonatal. Para isso, é fundamental criar modelos de aprendizado de máquina que representem com precisão o impacto de políticas públicas específicas, como o programa “Bolsa Família”, em vários fatores relacionados à mortalidade neonatal. Esse esforço exigirá o desenvolvimento de modelos separados para cada variável de interesse.