Anais do 11 º Congresso Brasileiro de Epidemiologia

Introdução: A divulgação de dados agregados de adoecimento de professores, dificulta a análise de afastamentos por morbidade, principalmente devido às diferentes condições de trabalho em cada etapa de ensino. Objetivo: Este estudo propõe predizer o risco de ausência laboral por morbidades nos docentes que atuam na educação infantil na rede pública municipal, utilizando algoritmos de machine learning. Métodos: Estudo transversal em dados secundários, públicos e anônimos da Relação Anual de Informações Sociais (RAIS), selecionando professores da educação infantil que atuaram na rede pública nos municípios do Estado de São Paulo entre 2014 e 2018 (n=174.294). Foram vinculados dados da média de alunos por turma e número de habitante. Os dados foram separados em treinamento e teste, utilizando os registros de 2014 a 2016 (n=103.357) para treinar os modelos preditivos, e os dados de 2017 a 2018 (n=70.937) para testes de desempenho. A performance preditiva dos algoritmos foi avaliada por meio do valor da área abaixo da curva ROC (AUROC). Resultados: Todos os cinco algoritmos testados apresentaram AUC acima de 0,76. O algoritmo com melhor performance preditiva (redes neurais artificiais) obteve 0,79 de área abaixo da curva com acurácia de 71,52%, sensibilidade de 72,86%, especificidade de 70,52% e Brier score de 0.1833. Conclusão: É possível predizer casos de afastamento por morbidade em docentes da rede pública com machine learning usando apenas dados públicos. Os algoritmos podem contribuir para predições mais assertivas na área da saúde do trabalhador, permitindo acompanhar e ajudar a prevenir afastamentos por morbidade desses trabalhadores.