Estudo de possíveis discriminantes de TEAF utilizando dados do DATASUS

Abstract

Mesmo após inúmeros avanços nas Ciências da Saúde, diversos tipos de anomalias con- gênitas ainda são consideradas subdiagnosticadas devido à dificuldade do diagnóstico e à baixa visibilidade dos casos. A falta de diagnóstico impede tanto o tratamento de recém-nascidos e crianças quanto a busca por políticas públicas que diminuam a inci- dência de casos. Neste cenário, podemos destacar o Transtorno do Espectro Alcoólico Fetal (TEAF) como um caso importante de anomalia congênita subdiagnosticada. Esse transtorno é ocasionado principalmente pelo consumo de bebida alcoólica pela gestante durante a gravidez, causando microcefalia, dismorfias faciais e déficit neurocognitivo. O diagnóstico de TEAF é desafiador, uma vez que ele é multifatorial e que os sintomas apresentados por esse transtorno são comuns a outros transtornos. A literatura aponta um crescimento no uso de técnicas de Inteligência Artificial (IA) para apoiar profissio- nais da saúde que atuam na área de diagnóstico e tratamento de doenças e transtornos complexos. Portanto, este trabalho propõe o uso de mineração de dados e aprendizado de máquina para promover o diagnóstico assistido de TEAF, utilizando a base dados do DATASUS com informações do nascimento de crianças e fatores sociodemográficos. Até onde sabemos, este é o primeiro trabalho que busca estudar SAF usando aprendizado de máquina. Inicialmente uma análise de dados é realizada, a fim de ampliar o conhecimento sobre o transtorno. Os principais achados desta etapa são uma análise das variáveis mais relevantes segundo a teoria atual, na qual boa parte das variáveis falha em ser apoiada pelos dados como discriminante entre indivíduos SAF positivos e negativos. Em seguida, definimos e usamos técnicas de amostragem de dados para garantir o balanceamento de classes, assim como aumentar a confiança estatística dos achados realizados neste trabalho. Por último, é realizada uma modelagem preditiva para detectar casos prováveis de TEAF logo após o parto. Os modelos treinados apresentam métricas modestas, e levantam feature importances com poucas variáveis de alta importância para o valor preditivo do modelo. Este trabalho busca contribuir para a detecção dos casos de alto risco TEAF, identificando seus biomarcadores mais proeminentes, assim como fatores regionais que interfiram na incidência deste transtorno, permitindo a criação de políticas de intervenção adequadas para cada localidade.