Machine learning para identificar e corrigir o subdiagnóstico de doenças crônicas não transmissíveis no Brasil

• Processo: 25/02245-8
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de agosto de 2025
• Data de Término da vigência: 31 de julho de 2027
• Área do conhecimento: Ciências da Saúde - Saúde Coletiva - Epidemiologia
• Pesquisador responsável: Alexandre Dias Porto Chiavegatto Filho
• Beneficiário: Alexandre Dias Porto Chiavegatto Filho
• Pesquisador Responsável no exterior: Bruno Pereira Nunes
• Instituição Parceira no exterior: University of Illinois at Urbana-Champaign, Estados Unidos
• Instituição Sede: Faculdade de Saúde Pública (FSP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Pesquisadores associados: Carine Savalli Redigolo ; Fabiano Novaes Barcellos Filho ; Gabriel Ferreira dos Santos Silva ; Marcela Quaresma Soares
• Assunto(s): Doença crônica Aprendizado computacional Predição
• Palavra(s)-Chave do Pesquisador: doenças crônicas | machine learning | Predição | Doenças crônicas

Resumo

As Doenças Crônicas Não Transmissíveis (DCNTs), como diabetes mellitus, hipertensão arterial sistêmica e dislipidemia, são responsáveis por mais de 80% das mortes prematuras globalmente e apresentam alta carga socioeconômica, particularmente em países de baixa e média renda. No Brasil, estima-se que cerca de 45% da população adulta apresente pelo menos uma DCNT. Entretanto, taxas de subdiagnóstico superiores a 30% para hipertensão e 50% para dislipidemia e diabetes comprometem a efetividade das políticas de prevenção e controle. O subdiagnóstico decorre, em grande parte, da desigualdade no acesso aos serviços de saúde, da baixa adesão aos protocolos de rastreamento e das limitações metodológicas inerentes à vigilância baseada em autorrelato. Este projeto propõe o desenvolvimento de modelos de aprendizado de máquina para estimar a prevalência real das DCNTs e identificar padrões de acesso desigual aos serviços de saúde no Brasil, utilizando dados das Pesquisas Nacionais de Saúde (PNS) de 2013 e 2019. A abordagem metodológica fundamenta-se na modelagem preditiva baseada em dados sociodemográficos, clínicos e laboratoriais. A variável resposta será definida a partir da discrepância entre diagnósticos autorrelatados e biomarcadores clínicos, identificando indivíduos subdiagnosticados. Serão utilizados algoritmos supervisionados de machine learning, incluindo gradient boosting machines, random forests e redes neurais profundas, além de modelos probabilísticos para calibração de predições. Técnicas de transfer learning serão utilizadas para adaptar modelos treinados em regiões com maior disponibilidade de dados para contextos com menor representatividade amostral, reduzindo vieses geográficos e sociais. Para garantir a equidade algorítmica e mitigar vieses preexistentes, serão aplicadas métricas específicas de justiça em algoritmos preditivos, como equalized odds, demographic parity e individual fairness. Além disso, serão implementadas estratégias de reamostragem, ponderação de classes e pós-processamento para assegurar que as predições não reforcem desigualdades estruturais. A transparência e reprodutibilidade serão garantidas por meio da documentação completa dos modelos, disponibilização do código-fonte e auditoria algorítmica contínua. Este projeto está alinhado com a Estratégia de Saúde Digital do Brasil (2020-2028), permitindo a integração dos modelos preditivos a sistemas eletrônicos do SUS para otimizar o rastreamento de DCNTs. A pesquisa também contribui para os Objetivos do Desenvolvimento Sustentável (ODS), particularmente os objetivos 3 (Saúde e Bem-Estar) e 10 (Redução das Desigualdades), além das diretrizes da Organização Pan-Americana da Saúde (OPAS) para fortalecimento dos sistemas de saúde pública. Espera-se que os modelos desenvolvidos auxiliem na identificação precoce de indivíduos com alto risco de subdiagnóstico, permitindo intervenções direcionadas e aprimoramento das estratégias de rastreamento e triagem no SUS. Além disso, os achados da pesquisa poderão fundamentar políticas públicas para redução da mortalidade precoce associada às DCNTs e otimização da alocação de recursos em saúde. A colaboração internacional entre a Universidade de São Paulo (USP) e a University of Illinois fortalecerá a inovação metodológica e o intercâmbio de conhecimento, ampliando o impacto desta pesquisa no campo da saúde digital e da epidemiologia computacional. (AU)