A identificação das causas preveníveis e a estratificação precoce do risco em gestantes são fundamentais para a elaboração de estratégias de prevenção e de redução do parto prematuro. O projeto combinou diversos bancos de dados nacionais para entender quais são os principais preditores do parto prematuro e, assim, desenvolveu um modelo preditivo de machine learning que realiza automaticamente a classificação de risco no ponto de atendimento. Integrado a uma visualização de dados avançada, este modelo dá suporte a tomada de decisão clínica.
Primeiro foi realizado o linkage da base de dados: determinantes sociais, pré-natal e parto, dados individuais relacionados ao risco de prematuridade, incluindo dados em diferentes anos. Depois foram aplicadas técnicas de validação do tratamento de dados com o tratamento dos outliers, inclusão de dados ausentes, multi-colinearidade e outros. Numa terceira fase foi realizada a modelagem preditiva de aprendizagem de máquina, na qual foram testados seis algoritmos de aprendizagem de máquina diferentes. Ao final, foi desenvolvido um aplicativo de apoio à decisão integrando o algoritmo de aprendizagem de máquina, visualização de dados e sistemas de informação geográfica – uma calculadora de risco de nascimento pré-termo, que chamamos de PRECOCE
A calculadora é uma ferramenta de apoio à decisão clínica para estratificar o risco de nascimento pré-termo e apoiar a gestão adequada e preventiva de gestantes em risco a fim de evitar desfechos desfavoráveis. A ferramenta é um aplicativo web com capacidade de geo-localização para cada mulher grávida inscrita no sistema, permitindo uma estratificação geo-espacial adequada do risco de prematuridade.
A solução é pioneira na utilização de dados populacionais, integrando dados de milhares de pessoas em diferentes níveis de agregação (município, unidade de saúde, equipe de atenção primária), em um país em desenvolvimento, de dimensões continentais. O algoritmo foi capaz de prever a semana do parto com 2 semanas de erro. Isso representa um avanço em relação às tentativas anteriores reportadas na literatura; e as variáveis utilizadas na predição são de fácil coleta, configurando-se em uma tecnologia de baixo custo e alto potencial de escalabilidade. Outro aspecto de vanguarda foi a utilização do território geográfico (local de residência das gestantes) como fonte de dados para a predição e integração desta ferramenta a uma plataforma de geolocalização
Anualmente, mais de 15 milhões de crianças nascem prematuras, com menos de 37 semanas de gestação. O nascimento pré-termo é a principal causa de morte entre as crianças menores de um ano. Mais de 1,1 milhões de recém-nascidos prematuros ainda morrem, especialmente nos países de baixa e média renda (LMIC). O Brasil está entre os países com o maior número de prematuros. Muitos nascimentos prematuros poderiam ser prevenidos com cuidados pré-natais adequados ao risco gestacional. Contudo, a estratificação do risco para o nascimento pré-termo é um desafio, pois os modelos de previsão já desenvolvidos apresentam uma grande margem de erro ou usam preditores difíceis de medir. Com este projeto, utilizando a visualização e análise de dados, foi desenvolvido um algoritmo de previsão para estratificação dO risco de nascimento pré-termo e para apoiar decisões sobre políticas públicas de saúde.
Esta solução, com base em inteligência artificial e aplicada por meio de um breve questionário aplicado às gestantes, preferencialmente durante uma visita domiciliar do Agente Comunitário de Saúde, pode ser incorporada ao sistema de informação da atenção básica, de modo a apoiar trabalhadores do SUS na estratificação de risco para nascimento pré-termo. Essas mulheres poderiam ser identificadas desde o início da gestação e encaminhadas para um centro especializado, de modo a ajustar o pré-natal aos seus riscos potenciais, aumentando o número de dias de vida intraútero do bebê, com consequente redução de gastos no SUS com internações, procedimentos, exames, medicações, além de potencial redução da mortalidade infantil.
A equipe do projeto pretende validar o algoritmo utilizando alguns bancos de dados externos (como o das coortes BRISA, no Nordeste e Sudeste do Brasil, e de Moshi, na África) e também disponibilizar a solução para os profissionais de saúde da atenção básica, para que possam inserir dados durante a assistência pré-natal. O algoritmo poderia aprender e melhorar com essas entradas e assim reduzir a margem de erro para menos de sete dias. Além disso, a equipe pretende implementar a calculadora em um teste piloto comunitário não-randomizado, em um município do Nordeste brasileiro, para analisar os efeitos potenciais na redução do nascimento pré-termo, na estratificação de risco e, consequentemente, na diminuição do número de mortes infantis.
