Tipo de Estudo
Pesquisa Primária
Objetivo da Pesquisa
Avaliar qual a melhor estratégia para treinar um modelo de inteligência artificial (IA) para prever o risco de morte neonatal. O estudo comparou um modelo 'geral' (treinado com dados de todos os países), modelos 'específicos' (um para cada país) e um modelo treinado apenas com os dados do país com maior amostra.
Problema/Lacuna que Soluciona
A mortalidade neonatal é um grave problema de saúde pública, especialmente em locais com poucos recursos. Faltam ferramentas que ajudem os profissionais de saúde a identificar rapidamente os recém-nascidos com maior risco de morte para priorizar o cuidado. Este estudo testa se a inteligência artificial pode preencher essa lacuna, criando um modelo preditivo preciso e de baixo custo.
Método
Os pesquisadores usaram um grande banco de dados com informações de mais de 575 mil gestações em oito países de baixa e média renda. Eles treinaram e testaram diferentes algoritmos de aprendizado de máquina (um tipo de IA) para prever a morte neonatal. Foram comparadas três abordagens: um modelo geral, modelos específicos por país e um modelo baseado no país com mais dados. A performance foi medida pela capacidade do modelo de distinguir corretamente os casos de morte e não morte (métrica AUC-ROC).
Público-Alvo
Dados de 575.664 gestações em países de baixa e média renda, utilizados para prever mortalidade neonatal (morte entre 0 e 28 dias após o nascimento).
Categoria: Dados Secundários
Abrangência Geográfica do Estudo
Nível: Global (Síntese)
Local: República Democrática do Congo, Guatemala, Zâmbia, Índia (Belagavi e Nagpur), Paquistão, Quênia, Argentina e Bangladesh.
Principal Resultado
O modelo de inteligência artificial 'geral', treinado com dados de múltiplos países, foi o que apresentou o melhor desempenho para prever o risco de morte neonatal (AUC-ROC de 0,816). Isso sugere que usar dados mais diversos e de diferentes contextos melhora a precisão da ferramenta, superando modelos treinados com dados de um único país.
Contribuição para Saúde Pública/SUS
A ferramenta pode ajudar gestores e profissionais de saúde do SUS a identificar recém-nascidos com alto risco de morte de forma precoce e com baixo custo. Isso permite priorizar recursos e intervenções, como o Método Canguru ou suporte respiratório, especialmente em locais com poucos especialistas ou leitos, como na Atenção Primária ou em maternidades de menor complexidade.
Estágio da Pesquisa
Aplicada em campo
Possíveis Aplicações
Desenvolvimento de uma ferramenta de apoio à decisão clínica para triagem de risco neonatal. O modelo utiliza apenas cinco indicadores básicos (idade materna, local e tipo de parto, peso ao nascer e idade gestacional), recomendados pela OMS, para gerar um escore de risco. Isso pode ser integrado a sistemas de prontuário eletrônico (como o e-SUS) para alertar equipes de saúde na Atenção Primária e em maternidades.
Abrangência da Aplicação
Nacional
O modelo 'geral' demonstrou ser mais robusto justamente por ter sido treinado com dados de diversos países. Isso indica que ele tem potencial para ser aplicado em diferentes contextos do Brasil, tanto em grandes centros urbanos quanto em regiões com menos recursos, sem a necessidade de desenvolver um modelo específico para cada local.
Cenário de Aplicação
Misto
Recomendações para o Sistema de Saúde
Necessidade de Pesquisa FuturaO estudo não faz uma recomendação explícita de política pública, mas aponta para a necessidade de investir em pesquisa aplicada para validar e implementar ferramentas de IA no SUS. A principal recomendação implícita é a de que o uso de modelos preditivos baseados em dados simples e já coletados pode ser uma estratégia custo-efetiva para reduzir a mortalidade neonatal.
Limitações e Próximos Passos
Limitações
O estudo não avaliou se as amostras de cada país representam toda a sua população, o que limita a generalização dos resultados. Além disso, os dados são anteriores a 2019, não capturando possíveis mudanças nos padrões de mortalidade neonatal após a pandemia de COVID-19.
Próximos Passos
Os autores recomendam a realização de ensaios clínicos randomizados para validar o impacto real dos modelos na prática clínica. Sugerem também incluir dados pós-pandemia em pesquisas futuras e investigar o tempo de sobrevida dos recém-nascidos com risco de morte previsto.
Principais Interessados
Grupos de Aplicação
- •Gestores de saúde (municipais, estaduais e federais)
- •Profissionais da Atenção Primária à Saúde (médicos, enfermeiros, agentes comunitários)
- •Equipes de maternidades e hospitais
- •Pesquisadores em saúde materno-infantil
Financiadores Atuais
- •Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
- •Departamento de Ciência e Tecnologia do Ministério da Saúde do Brasil (DECIT/MS)
- •Instituto de Pesquisa em Inteligência Artificial Aplicada à Saúde (IAsaúde)
- •Eunice Kennedy Shriver National Institute of Child Health and Human Development (NICHD)
Financiadores Sugeridos
- •Ministério da Saúde (SAPS e SECTICS)
- •Fundações de Amparo à Pesquisa (FAPs) estaduais
- •Empresas de tecnologia em saúde
Benefício Já Gerado
Status: Não
Ainda não gerou impacto prático. O estudo é uma prova de conceito e os modelos preditivos precisam ser validados em estudos clínicos antes de serem aplicados nos serviços de saúde.