DIVERGÊNCIA EM MODELOS DE INTELIGÊNCIA ARTIFICIAL PARA A PREDIÇÃO DE MORTALIDADE

Apresentação/Introdução O uso de algoritmos de inteligência artificial na saúde cresce rapidamente. No entanto, modelos com desempenho similar podem divergir em predições, fenômeno conhecido como multiplicidade algorítmica. Este estudo analisa os impactos da multiplicidade algorítmica na predição de mortalidade por covid-19 em hospitais brasileiros. Objetivos Investigar os impactos da multiplicidade algorítmica na predição da mortalidade por covid-19 em hospitais brasileiros, analisando padrões de erro e a influência das características dos pacientes sobre as decisões dos modelos. Metodologia Trata-se de um estudo de coorte com 4.337 pacientes RT-PCR positivos para COVID-19, internados em hospitais das cinco regiões do Brasil entre março e agosto de 2020. Cinco algoritmos para dados estruturados foram treinados com informações da admissão hospitalar. O desempenho foi avaliado por AUC-ROC, com análise de correlação entre predições e importância de variáveis via SHAP. Subgrupos foram identificados por k-means e validados por ANOVA. A divergência de performance intra-cluster foi analisada com intervalo de confiança de 95%. Resultados Os modelos mostraram alto desempenho (AUC ≥ 0,85) e baixa variância (σ² = 0,007), mas apresentaram correlações preditivas variadas (R² de 0,56 a 0,80). A análise SHAP apontou idade, frequência respiratória e leucócitos como preditores mais relevantes. A clusterização k-means revelou cinco perfis clínicos com mortalidade entre 22% e 80%. O desempenho dos algoritmos variou entre os grupos (F(4) = 73.182316, p < 0.001); nos clusters “Anemia” e “Imunodeficientes”, houve diferenças significativas, com TabPFN e LightGBM se destacando no primeiro e TabPFN tendo pior desempenho no segundo. Conclusões/Considerações Este estudo demonstra que modelos de inteligência artificial com desempenho preditivo equivalente podem gerar predições distintas conforme as características da amostra. Assim, a seleção de algoritmos baseada em características populacionais específicas é fundamental para promover maior equidade em decisões na saúde pública brasileira.