Orientador(es): LETICIA MARTINS RAPOSO
Área temática: SAÚDE COLETIVA
Modalidade de apresentação: SESSÃO DE PÔSTER
Bolsa: IC/UNIRIO
As intoxicações por agrotóxicos configuram-se como um grave problema de saúde pública no Brasil, associado tanto à elevada incidência quanto à heterogeneidade dos contextos regionais de exposição. A sobrecarga dos serviços de saúde, especialmente em municípios com menor capacidade hospitalar, reforça a necessidade de ferramentas preditivas que possam antecipar decisões clínicas e apoiar a gestão de recursos. Nesse cenário, o uso de técnicas de aprendizado de máquina surge como alternativa inovadora para qualificar o processo de triagem e priorização de casos, contribuindo para reduzir atrasos no atendimento e melhorar desfechos clínicos e epidemiológicos. Este estudo utilizou dados do Sistema de Informação de Agravos de Notificação (SINAN) referentes ao período de 2014 a 2023, incluindo indivíduos com idade ≥18 anos expostos a agrotóxicos. O desfecho “tipo de atendimento” (ambulatorial ou hospitalar) foi adotado como proxy de gravidade clínica. Após particionamento estratificado da base (75% treino; 25% teste), aplicou-se o algoritmo Boruta para seleção de variáveis robustas, assegurando relevância epidemiológica e interpretabilidade. Dois modelos supervisionados foram treinados: regressão logística e árvore de decisão. A validação interna utilizou cross-validation estratificado (k=10), e os desempenhos foram avaliados por área sob a curva ROC (AUC), além de métricas complementares (acurácia, sensibilidade, especificidade, precisão e F1-score) com intervalos de confiança de 95% obtidos por bootstrap (2.000 réplicas). Os resultados evidenciaram variáveis-chave para a predição da gravidade, como a circunstância e a via de exposição. A árvore de decisão destacou a tentativa de suicídio como principal fator discriminante, seguida por variáveis como via oral/digestiva e confirmação laboratorial. Nos nós finais, observou-se maior probabilidade de internação hospitalar em exposições intencionais e confirmadas, enquanto os casos acidentais permaneceram predominantemente ambulatoriais. O modelo, ao traduzir essas relações em regras clínicas simples, mostra-se promissor para a triagem rápida e o apoio à vigilância em saúde coletiva. Na avaliação externa, ambos os modelos apresentaram desempenho semelhante, com acurácia de 0,66; sensibilidade de 0,77 (regressão logística) e 0,75 (árvore de decisão); especificidade de 0,50 e 0,52; precisão de 0,70; F1 de 0,73 e 0,72; e AUC de 0,70 e 0,68. Conclui-se que a integração de métodos robustos de seleção de variáveis a modelos preditivos interpretáveis é viável e aplicável ao campo da saúde coletiva, fornecendo subsídios para a tomada de decisão clínica e para a organização dos fluxos assistenciais em intoxicações por agrotóxicos. Como perspectivas, destaca-se a aplicação de técnicas mais avançadas de aprendizado de máquina, visando ampliar a acurácia e a capacidade de generalização dos modelos.
BREIMAN, L. et al. Classification and Regression Trees. Belmont: Wadsworth International Group, 1984. HOSMER, D. W.; LEMESHOW, S.; STURDIVANT, R. X. Applied Logistic Regression. 3. ed. Hoboken: Wiley, 2013. KURSA, M. B.; RUDNICKI, W. R. Feature selection with the Boruta package. Journal of Statistical Software, v. 36, n. 11, p. 1-13, 2010. DOI: 10.18637/jss.v036.i11.