MACHINE LEARNING PARA PREDIÇÃO DE MORTALIDADE: META-ANÁLISE DE 88 ESTUDOS

Objetivos: A Machine Learning tem ganhado destaque na predição de mortalidade; no entanto, é fundamental identificar a capacidade dos modelos em prever a mortalidade por todas as causas em diferentes contextos. Este estudo objetivou revisar a literatura e realizar uma meta-análise sobre o desempenho de modelos de machine learning na predição de mortalidade por todas as causas. Métodos: Uma revisão sistemática com meta-análise foi realizada utilizando as bases de dados Pubmed, LILACS, Web of Science e Scopus, incluindo estudos publicados até o final de 2023. A revisão incluiu estudos que fizeram predição de mortalidade por todas as causas utilizando machine learning (registro PROSPERO: CRD42023476567). A meta-análise foi realizada utilizando Python, empregando um modelo de efeitos fixos. A heterogeneidade foi avaliada pelo teste I². Os resultados foram reportados como a Área Sob a Curva ROC (AUC) com intervalos de confiança de 95% (IC 95%). Resultados: No total, 88 estudos foram incluídos, a maioria realizada nos Estados Unidos (n = 25). Os resultados da meta-análise demonstraram alto desempenho preditivo para mortalidade por todas as causas (AUC: 0.866; IC 95%: 0.866, 0.867, I²: 99.95%). Os modelos tiveram melhor desempenho em países de alta renda (AUC: 0.869; IC 95%: 0.868, 0.869, I²: 99.97%) em comparação aos de baixa e média renda (AUC: 0.828; IC 95%: 0.824, 0.833, I²: 97.97%). Conclusões: Os resultados são promissores, mas indicam para uma alta heterogeneidade entre os estudos, que pode refletir diferenças metodológicas. Além disso, os novos estudos precisam focar na obtenção de equidade entre países e grupos populacionais.