MACHINE LEARNING NÃO SUPERVISIONADO PARA REGIONALIZAÇÃO DA GESTÃO DE SAÚDE EM DOENÇAS CRÔN

As Doenças Crônicas Não Transmissíveis (DCNT) são altamente prevalentes em todo o mundo. Algoritmos de Machine Learning (ML) podem melhorar a organização local da gestão de saúde ao identificar clusters de áreas com desafios semelhantes em relação ao perfil epidemiológico de DCNT. O objetivo deste estudo foi desenvolver um método de clusterização regional para a morbidade e mortalidade por DCNT, visando fornecer aos formuladores de políticas de saúde ferramentas para apoiar a organização espacial dos sistemas de saúde, com base em características epidemiológicos identificadas por algoritmos de ML. Foram analisados dados de mortalidade e morbidade dos 645 municípios do Estado de São Paulo (ESP) no período de 2010 a 2019. Os coeficientes foram ajustados pelo método direto para a idade e análises espaciais exploratórias foram realizadas com clusters LISA. Foram utilizadas a clusterização hierárquica, k-means e o algoritmo SKATER para criar os clusters finais com diferentes números de grupos (k). O algoritmo SKATER regionalizou efetivamente essas áreas em 17 clusters, oferecendo insights sobre padrões específicos de doenças, destacando-se altas taxas de mortalidade por diabetes e doenças cardiovasculares em clusters distintos. Uma aplicação interativa online foi desenvolvida para a análise exploratória desses clusters. Algoritmos não supervisionados foram capazes de agrupar áreas com perfis de morbidade e mortalidade semelhantes para DCNT. Esta abordagem pode fornecer informações para intervenções direcionadas, alocação de recursos e tomadas de decisão, contribuindo para a melhoria das iniciativas e políticas de saúde pública, bem como para a eficiência geral do cuidado aos pacientes com doenças crônicas no ESP.