Efeitos potenciais da pandemia de COVID-19 sobre modelos de
aprendizagem de máquina para predição de parto prematuro nas capitais
Brasileiras
Parto prematuro, Saúde, Inteligência artificial,
Aprendizado de máquina, COVID-19
O parto prematuro é o que ocorre antes de 37 semanas de gestação, sendo
considerado um problema de saúde global, e ainda uma das principais causas
de mortes em bebês e crianças menores de cinco anos de idade. A taxa de
parto prematuro pode variar de acordo com a região geográfica e nível de
renda, mantendo uma maior frequência de ocorrência em países
subdesenvolvidos. Nos países desenvolvidos, ele é amplamente avaliado como
forma de compreender as causas e na criação de ações preventivas. Nesta
pesquisa, foi proposta a utilização de algoritmos de aprendizado de máquina
para predição de parto prematuro em gravidez única, utilizando dados das
capitais brasileiras. Foi verificado se os dois primeiros anos da pandemia
COVID-19 trouxeram impactos significativos para as distribuições das
variáveis contidas na base de dados, em comparação ao que foi utilizado
para treinamento dos modelos. Foram utilizados 6 classificadores de
aprendizagem de máquina: Árvore de Decisão, Floresta Aleatória, Regressão
Logística, Adaptive Boosting, Análise de Discriminante Linear e Rede
Neural do tipo Multi-layer Perceptron, analisando as métricas de acurácia,
precisão, revocação, F1-SCORE e área sobre a curva ROC. Portanto, com o
processamento desses resultados, foi possível verificar a predição de parto
prematuro com dados secundários no período de pandemia. Com destaque para o
modelo Floresta Aleatória que obteve uma acurácia e AUC de 87%. Os demais
modelos mantiveram uma média de acurácia acima de 70%; a média da precisão
para todos os modelos se manteve acima dos 90%. Foi possível constatar que
há uma estabilidade dos modelos, quando se é testado com dados do período
de pandemia e não apresentou impactos expressivos nas variáveis nesse
período.