DEFESA DE TESE DE DOUTORADO Nº 41

Aluno: Tiago Alves Bernardo de Lima

Título: “Modelagem Preditiva e Explicável para Monitoramento de Gestantes de Alto Risco"

Orientador: Carmelo José Albanez Bastos Filho

Examinador Externo: José Alfredo Ferreira Costa (UFRN)

Examinador Externo: Rodrigo Cesar Lira da Silva (IFPE)

Examinadora Externa: Danielle Christine Moura dos Santos (UPE)

Examinador Interno: Cleyton Mário de Oliveira Rodrigues

Data-hora: 28 de abril de 2026 às 13h 30min

Local: Formato remoto

---

Resumo:

         "A saúde materna permanece um desafio relevante para os sistemas de saúde, especialmente em contextos de maior vulnerabilidade clínica e assistencial. No acompanhamento de gestantes de alto risco, parte importante da informação necessária à estratificação do risco encontra-se dispersa em registros textuais não estruturados do prontuário eletrônico, o que dificulta a recuperação sistemática, o monitoramento longitudinal e o uso em ferramentas de apoio à decisão. Esta tese investigou como técnicas de inteligência artificial explicável podem apoiar, de forma clinicamente interpretável, o monitoramento de gestantes de alto risco atendidas em hospital público de referência, considerando dados estruturados e texto clínico. Para isso, foi proposto um pipeline metodológico em ciclos, envolvendo revisão sistemática da literatura, construção e caracterização da coorte, enriquecimento obstétrico e textual por meio de processamento de linguagem natural, treinamento e calibração de modelos preditivos clássicos, análise de explicabilidade, avaliação de equidade e estabilidade temporal, estudo de ablação com variáveis derivadas por modelos de linguagem, inferência causal sobre a documentação clínica precoce e análise de desfechos neonatais vinculados ao perfil materno. A coorte final reuniu cerca de 79 mil atendimentos de gestantes de alto risco, com taxa de retorno não planejada de 28,7\% em 30 dias e 34,5\% em 90 dias. Entre os modelos avaliados, os métodos de \textit{gradient boosting} apresentaram o desempenho mais consistente, com melhor resultado global para o CatBoost no conjunto de teste. O enriquecimento textual ampliou a cobertura de variáveis obstétricas centrais e melhorou a representação computacional do risco clínico. Na escada de ablação, o enriquecimento obstétrico produziu o maior ganho médio de desempenho, enquanto o bloco LLM atuou como um refinamento adicional, com benefício mais evidente em segmentos clínicos específicos. As análises de explicabilidade mostraram um núcleo estável de decisão centrado em idade gestacional, triagem de Manchester, prematuridade, idade materna e contexto assistencial, além de evidenciar a contribuição de variáveis derivadas do texto para a interpretação do risco. A análise causal indicou associação protetora da documentação clínica precoce com menor probabilidade de retorno em 30 dias, embora com limitações relacionadas à sobreposição e ao viés de indicação. Em conjunto, os achados mostram que a integração entre dados estruturados, enriquecimento textual, modelagem preditiva e explicabilidade é viável em contexto real de saúde pública e pode contribuir para sistemas mais auditáveis, interpretáveis e potencialmente úteis ao monitoramento clínico de gestantes de alto risco."