Criar um sistema de identificação que informe os casos de “maternal near miss” no Brasil entre 2002 e 2021, além de compreender os fatores socioeconômicos que influenciam os números, identificando regiões com alta vulnerabilidade de casos e prevendo a quantidade de casos de “maternal near miss” nos próximos anos.
A linguagem de programação Python e a biblioteca PySUS foram utilizadas para adquirir os dados do Departamento de Informática do Sistema Único de Saúde (DATASUS). As bibliotecas Pandas, Numpy, Scipy, Matplotlib, Statsmodels e Scikit-learn foram empregadas para manipular os dados e obter os resultados. Os dados foram filtrados de acordo com as necessidades da pesquisa e analisados para a criação do modelo de previsão.
Análise de dados de near miss materno no Brasil de 2002 a 2021 revelou que regiões com alta densidade populacional, baixos níveis de renda e maiores taxas de baixa escolaridade são mais suscetíveis a casos de near miss materno. Esses fatores são críticos para avaliar as intervenções necessárias para reduzir a ocorrência de near miss materno.
As taxas de near miss materno calculadas usando os critérios de Waterstone mostraram que as regiões Sudeste (0,853 ± 0,415) e Nordeste (0,817 ± 0,726) apresentaram as maiores médias. Notavelmente, o Nordeste registrou a maior média em 2010 (M = 2,264). De acordo com o critério de Mantel, as regiões Sudeste (0,059 ± 0,035) e Sul (0,058 ± 0,085) apresentaram as maiores médias, com o Sul atingindo seu pico em 2013 (M = 0,315).
Usando os critérios da OMS, a região Norte teve a maior taxa média (0,287 ± 0,207), seguida de perto pelo Nordeste (0,232 ± 0,243). A maior taxa registrada no Nordeste ocorreu em 2010 (M = 0,946).
Adicionalmente, os dados epidemiológicos mapeando casos de near miss materno no Brasil de 2002 a 2021 foram organizados pelos 26 estados e pelo Distrito Federal, categorizados de acordo com suas respectivas grandes regiões geográficas: Norte, Nordeste, Centro-Oeste, Sudeste e Sul.
O projeto teve como objetivo desenvolver um sistema inovador de aprendizado de máquina para classificar casos de near miss materno usando registros de pacientes do Sistema de Informações Hospitalares (SIH) e dados de mortalidade (SIM). Embora os dados de mortalidade excluam informações sobre mulheres que sobreviveram, eles ainda auxiliam na identificação de padrões associados a casos de near miss materno. Além disso, os modelos incorporaram dados socioeconômicos das regiões das pacientes para fornecer uma estimativa mais precisa e rápida do número de casos de near miss materno em áreas específicas.
O “near-miss” materno é definido pela Organização Mundial da Saúde como casos de mulheres que enfrentaram complicações potencialmente fatais durante a gravidez, o parto ou o período pós-parto, mas que, no final, sobreviveram. Esse indicador é um elemento crucial para avaliar a qualidade da atenção primária à saúde em uma região ou país e é essencial para medir o impacto das políticas públicas de saúde no acesso aos cuidados de saúde. No entanto, identificar casos de “near-miss” nos bancos de dados do Sistema Único de Saúde (SUS) é um desafio devido a problemas de subnotificação e registros incompletos. O processo de análise de dados para classificar esses casos exige muito trabalho manual e é realizado individualmente, frequentemente resultando em atrasos de vários meses para identificar com precisão as mulheres atendidas pelo SUS.
Os resultados do projeto trazem um panorama do cuidado à saúde reprodutiva realizado pelo SUS. O potencial do projeto está em demonstrar quais melhorias são necessárias na assistência à saúde pública para reduzir mortes evitáveis de gestantes e, consequentemente, alcançar a meta de redução da mortalidade materna estabelecida pelas Nações Unidas. Esses resultados podem impulsionar novas medidas para reduzir as taxas de morbidade e mortalidade materna.