APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL NA PREDIÇÃO DE MORTALIDADE EM INTERNAÇÕES POR PNEUMONIA NO PIAUÍ

INTRODUÇÃO: A pneumonia é uma das principais causas de internações e mortalidade no Piauí, e a identificação precoce de pacientes de alto risco é crucial para intervenções oportunas. O uso de técnicas avançadas de inteligência artificial pode melhorar a predição de desfechos adversos, otimizando os recursos de saúde e as medidas preventivas. OBJETIVOS: Desenvolver modelos de inteligência artificial para predição de óbitos em pacientes internados por pneumonia no estado do Piauí. MÉTODOS: Trata-se de um estudo retrospectivo observacional de coorte que utiliza técnicas de inteligência artificial para o desenvolvimento de modelos preditores. Os dados utilizados são oriundos do Sistema de Informações Hospitalares (SIH) do Piauí de 2008 a 2023. Essa base de dados é pública e anonimizada, dispensando apreciação de Comitê de Ética, conforme Resolução 510/2016. Após coleta, foi realizado pré-processamento, composto de filtro dos casos de pneumonia, com base na CID J1, seleção das variáveis preditoras, tratamento de dados faltantes e codificação de variáveis categóricas. Para o treino do modelo, os casos foram divididos em conjuntos de treinamento e teste, utilizando a técnica Random Under Sampling para corrigir o desbalanceamento entre as classes do desfecho. Modelos de XGBoost e Random Forest foram treinados para predizer a ocorrência de óbitos, com ajuste de hiperparâmetros por validação cruzada. As métricas de avaliação dos modelos foram AUC-ROC, Especificidade, Sensibilidade, Valor Preditivo Negativo (VPN) e Valor Preditivo Positivo (VPP). A análise da importância de cada variável nos modelos se deu por Permutation Importance e SHAP. O software utilizado foi Python 3.11.7, com suas respectivas bibliotecas. RESULTADOS E DISCUSSÃO: De um total de 3493799 internações registradas, 243166 possuíam o diagnóstico de pneumonia. Dessas, 75% foram destinadas ao conjunto de treino e 25% ao de teste. O conjunto de treino continha 7100 desfechos de óbito, que foi o limite minoritário para o balanceamento de classes. Das 114 variáveis disponíveis, 99 foram excluídas por conterem informações meramente administrativas ou que poderiam comprometer o uso prático do modelo, resultando em 15 variáveis preditoras. O modelo XGBoost apresentou uma AUC-ROC de 0,905, uma sensibilidade de 0,899 e uma especificidade de 0,777. Além disso, o VPP foi de 0,141, enquanto o VPN foi de 0,995. Em comparação, o modelo Random Forest mostrou uma AUC-ROC de 0,896, uma sensibilidade de 0,889 e uma especificidade de 0,778. O VPP para este modelo foi de 0,140 e o VPN foi de 0,994. CONCLUSÃO: Os modelos desenvolvidos mostraram-se eficazes em predizer o desfecho, com AUC-ROC classificada entre boa (0,8-0,9) e excelente (>0,90). O modelo XGBoost apresentou a maior AUC-ROC e sensibilidade, possuindo assim a melhor capacidade de identificar corretamente os óbitos. Esses resultados sugerem que a utilização de modelos de inteligência artificial pode ser uma ferramenta valiosa para a identificação precoce de pacientes de alto risco, contribuindo para intervenções clínicas mais eficazes e potencialmente reduzindo a mortalidade por essa doença no Piauí.