COINFECÇÃO TB-HIV: UTILIZANDO MODELOS DE MACHINE LEARNING PARA PREDIÇÃO DE CASOS

Objetivo: Descrever a tendência temporal da coinfecção TB/HIV e gerar previsões, explorando desde modelos estatísticos clássicos até técnicas de aprendizado de máquina. Métodos: estudo ecológico de série temporal, aplicando modelagem preditiva, realizado em Mato Grosso, localizado na Região Centro-Oeste do Brasil. Foram utilizados casos de coinfecção TB/HIV notificados entre 2012 e 2023. A incidência foi calculada e estratificada para homens, mulheres e população geral. Modelos tradicionais como Exponential Smoothing and Autoregressive Integrated Moving Average (ARIMA) foram inicialmente aplicados, fornecendo uma base para a compreensão da tendência temporal geral e da presença de sazonalidade. Posteriormente, modelos de aprendizado de máquina, incluindo Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost) e Redes Neurais Profundas, como Long Short-Term Memory (LSTM) e Convolutional Neural Networks (CNN), foram testados para encontrar o melhor modelo e capturar a dinâmica complexa da coinfecção TB/HIV e as não linearidades inerentes aos dados. A avaliação de desempenho foi baseada em métricas de erro como MSE, MAE e sMAPE. Resultados: os modelos de aprendizagem profunda, especialmente LSTM bidirecional e CNN combinados com LSTM, superaram significativamente os métodos estatísticos clássicos, demonstrando a eficácia dessas técnicas para modelar séries temporais da coinfecção TB/HIV fornecendo, consequentemente, modelos de previsão mais precisos. Conclusões: apesar da aplicabilidade dos modelos estatísticos clássicos, os modelos de aprendizagem profunda mostraram superioridade na captura de padrões complexos nos dados. A comparação entre os modelos destaca a influência das características dos dados sobre a eficácia preditiva dos modelos. A escolha do modelo adequado deve considerar não apenas o desempenho teórico dos modelos, mas também a natureza específica dos dados.