Saúde Desvendada

A previsão do peso ao nascer (PN) é um desafio crucial na área da saúde materno-infantil. Bebês com baixo peso ao nascer (BPN) enfrentam riscos aumentados de complicações a curto e longo prazo, tornando essencial a identificação precoce de fatores de risco. Um estudo recente explorou o uso de machine learning (ML) e inteligência artificial explicável (XAI) para aprimorar a precisão da previsão do PN, utilizando dados coletados durante o pré-natal.

A pesquisa envolveu a análise de dados clínicos de 237 gestantes, avaliando 19 características maternas e fetais. Modelos de ML foram desenvolvidos para prever o PN, e técnicas de XAI foram aplicadas para entender e justificar as previsões dos modelos. Essa abordagem visa superar as limitações da ‘caixa preta’ dos modelos de ML tradicionais, permitindo que os profissionais de saúde compreendam quais fatores estão influenciando a previsão e tomem decisões clínicas mais informadas. O modelo AdaBoost se destacou, alcançando uma acurácia de 77%, precisão de 73%, recall de 77% e um escore F1 de 72%.

Os resultados identificaram fatores como altura materna, translucência nucal, paridade, comprimento cabeça-nádega, hemoglobina glicada, distúrbios hipertensivos da gravidez e proteína plasmática associada à gravidez A como preditores significativos do PN. A utilização de IA explicável permitiu uma compreensão mais profunda de como esses fatores interagem para influenciar o peso ao nascer, abrindo caminho para intervenções mais direcionadas e personalizadas durante a gravidez. Apesar do tamanho limitado da amostra e da inclusão de gestantes com comorbidades, o estudo demonstra o potencial da IA para auxiliar os profissionais de saúde a prever o peso ao nascer e a otimizar o cuidado pré-natal.

Origem: Link