ANÁLISE COMPARATIVA DE MODELOS MULTI-ALGORÍTMICOS PARA A PREDIÇÃO DE MORTALIDADE POR COVID-19

Apresentação/Introdução Algoritmos de inteligência artificial são uma estratégia promissora para apoiar diagnósticos e prognósticos de forma rápida e econômica, especialmente em regiões com recursos limitados. Contudo, na saúde, é essencial que esses modelos atinjam alta performance. Assim, técnicas de ensemble (combinações de algoritmos) surgem como uma alternativa robusta para melhorar o desempenho preditivo. Objetivos Comparar técnicas de agrupamento com algoritmos tradicionais, visando maximizar o desempenho na predição de mortalidade por covid-19. Metodologia Foram utilizados dados da rede IACOV-BR, envolvendo 4337 pacientes com RT-PCR positivo para covid-19, de hospitais das cinco regiões do Brasil, acompanhados entre março e agosto de 2020. Oito algoritmos de machine learning foram treinados em 70% da base e testados nos 30% restantes, com avaliação de acurácia, AUC-ROC, precisão, sensibilidade e F1-score. Também foram testadas três técnicas de agrupamento: votação, empilhamento (com LightGBM como meta-modelo) e TCF (Topsis-based Classification Fusion). Resultados Todos os algoritmos apresentaram boa performance preditiva (AUC > 0,72). O agrupamento com epilhamento destacou-se como o melhor modelo em todas as métricas, alcançando acurácia de 0,90 e AUC-ROC de 0,94, além de bons índices de precisão, sensibilidade e F1. Os agrupamentos de votação e TCF também superaram os modelos puros em acurácia. Considerando a AUC-ROC, o TCF teve desempenho equivalente ao CatBoost, que foi o melhor entre os modelos isolados. Já o ensemble por votação apresentou AUC inferior, de 0,79. Conclusões/Considerações Os resultados indicam que métodos de agrupamento, especialmente o empihamento, têm grande potencial para melhorar o desempenho preditivo, não apenas na acurácia, mas também em métricas relacionadas à justiça algorítmica. Assim, seu uso pode viabilizar aplicações de machine learning mais precisas, robustas e equitativas na área da saúde.