DEFESA DE TESE DE DOUTORADO Nº 23

Aluno: Elisson da Silva Rocha

Título: “Using Machine Learning to improve maternal and child health in Pernambuco: An Intelligent Gestational Follow-up System"

Orientadora: Patricia Takako Endo

Examinadora Externa: Danielle Christine Moura dos Santos (FENSG)

Examinador Interno 1: Eraylson Galdino da Silva

Examinador Interno 2: Wellington Pinheiro dos Santos

Data-hora: 19 de setembro de 2024, às 9h.
Local: Formato Híbrido.

Resumo:

"A melhoria das taxas de mortalidade fetal, neonatal e infantil é crucial na assistência a gestantes e neonatos. A Agenda 2030 da ONU visa um mundo melhor até 2030, destacando o Objetivo 3: vida saudável para todas as idades, com foco na redução da mortalidade materna global e infantil. Nesse contexto, o cuidado pré-natal desempenha um papel primordial ao identificar gestantes em situações de risco e permitir intervenções proativas para minimizar desfechos adversos, seja mortalidades ou morbidades. Esta proposta de tese busca desenvolver o "An iNtelligent GEstational foLlow-up System - ANGELS", um sistema inteligente de monitoramento gestacional. Este sistema utiliza modelos de machine learning para proporcionar serviços integrados em uma única plataforma, auxiliando profissionais de saúde a monitorar gestantes e a identificar precocemente potenciais complicações, resultando em intervenções mais eficazes. Os modelos de machine learning focam em predizer riscos durante o período gestacional, englobando desde riscos na gravidez, como óbito fetal, até riscos no parto, como baixo peso ao nascer ou parto prematuro, e também riscos pós-parto, como mortalidade neonatal ou sífilis congênita. O ANGELS é uma plataforma unificada que busca integrar a detecção de riscos por meio de diversos modelos de machine learning, de maneira transparente para os profissionais de saúde. A plataforma pretende atender qualquer gestante que seja acompanhada por sistemas de saúde ou programas que utilizem o ANGELS, sem aumentar os custos operacionais. Para isso, os modelos devem se basear em atributos sociodemográficos, históricos gestacionais e informações do primeiro pré-natal, denominado "versão base". Adicionalmente, a plataforma ANGELS incorpora "versões complementares" dos problemas investigados, que levam em consideração exames e informações obtidas ao longo da gestação, com o objetivo de aprimorar o desempenho dos modelos. Esta proposta de tese apresenta como resultados o desenvolvimento de um modelo de machine learning para predição de morte fetal na versão base, bem como um modelo para sífilis congênita, comparando a versão base com a versão complementar. Os resultados apresentam as dificuldades encontradas pelos modelos em encontrar padrões e auxiliar na identificação de riscos, com as f1-score e sensibilidade entre 60\% e 70\%, mas vale destacar a versão complementar de sífilis congênita que melhorou as métricas de precisão e especificidade de 60% para 95%, aproximadamente. A abordagem visa oferecer um acompanhamento mais preciso e personalizado, adaptado às necessidades individuais. Espera-se que o sistema proposto contribua para a redução da natimortalidade evitável, eleve a qualidade do cuidado materno-infantil e colabore com a concretização das metas da Agenda 2030 da ONU. Além disso, a integração dos serviços do ANGELS aos sistemas de saúde e/ou programas fortalecerá os esforços para promover o bem-estar de gestantes e crianças."