TAMANHO DA AMOSTRA E PERFORMANCE PREDITIVA DE MACHINE LEARNING EM EPIDEMIOLOGIA

Algoritmos de machine learning (ML) têm o potencial de auxiliar na melhoria das decisões clínicas e epidemiológicas, entretanto a sua performance em diferentes contextos ainda não está bem estabelecida. Este estudo comparou a performance de dois algoritmos populares para dados estruturados (XGBoost e TabPFN) para predizer o risco de admissão futura de pacientes com covid-19 em unidades de terapia intensiva (UTI). Foram analisados dados de 5531 pacientes de 14 hospitais nas cinco regiões brasileiras. Os resultados indicaram que os dois algoritmos tiveram performance preditiva semelhante para a maioria dos hospitais. Em relação à área abaixo da curva ROC (AUC-ROC), o resultado para a predição de admissão na UTI variou de 0,58 a 0,94 para o TabPFN, e de 0,48 a 0,95 para o XGBoost. O número de pacientes analisados em cada hospital foi de 47 a 1024. Para avaliar se o tamanho da amostra influencia a seleção do melhor algoritmo, foi utilizado o teste não-paramétrico de Mann-Whitney. Foram comparados os hospitais em que o TabPFN (n=9) foi o melhor modelo com os que o XGBoost (n=5) foi o melhor. Apesar da identificação de uma tendência de o TabPFN exibir melhor desempenho para hospitais menores, essa diferença não foi estatisticamente significativa (grupo TabPFN: Mediana = 124, IQR = 383; grupo XGBoost: Mediana = 449, IQR = 876,5; p=0,182). Os resultados do estudo indicam que a implementação de ML em sistemas de saúde requer avanços constantes em pesquisa e a adaptação dos algoritmos para diferentes contextos e ambientes clínicos.