MACHINE LEARNING E A INFLUÊNCIA DA CLASSIFICAÇÃO DE ROBSON NA PREDIÇÃO DA CESARIANA

Objetivo: Identificar a influência da classificação de Robson e de outras variáveis individuais e contextuais na realização de cesarianas. Métodos: Estudo ecológico utilizando registros do SINASC da cidade do Rio de Janeiro do ano de 2014 e CNES como fonte de dados. Florestas aleatórias foram construídas utilizando o algoritmo ranfomForest sendo o tipo de parto a variável dependente. O índice de Gini foi utilizado para avaliar a importância das variáveis. Heat-maps foram construídos para representar a proporção de cesarianas em cada maternidade. Resultados: A proporção de cesarianas foi de 34,6% nos hospitais públicos, 48,4% nos hospitais de ensino e 93,1% nos hospitais privados. O randomForest identificou o grupo de Robson como a variável mais importante em todos os grupos de hospitais. A idade materna e o peso ajustado à idade gestacional foram importantes apenas nos hospitais públicos e nos de ensino. A escolaridade e raça/cor materna só foram consideradas importantes nos hospitais privados. A realização de cesariana em hospitais privados se mostrou mais influenciada pelo volume de partos ao ano. Já nos hospitais de ensino, cesarianas foram influenciadas pela certificação de hospital amigo da criança. O heat-map no grupo de hospitais privados permitiu a identificação de três unidades com perfil de menor realização de cesariana. Conclusão: As florestas aleatórias conseguiram analisar variáveis mesmo com poucos registros em algumas categorias, assim como quando a diferença na proporção entre categorias era pequena. Independente das diferenças contextuais e do case-mix, a classificação de Robson foi o atributo mais importante na predição de cesariana.