Previsão de Natimortalidade e Identificação de Fatores Maternos de Risco Utilizando Aprendizado de Máquina

Previsão de Natimortalidade e Identificação de Fatores Maternos de Risco Utilizando Aprendizado de Máquina Sobre o artigo  O estudo aborda a persistente e preocupante ocorrência de natimortalidade, especialmente em países de baixa e média renda, como a Etiópia. Reconhecendo as limitações dos modelos tradicionais de regressão logística para predição de desfechos adversos, os autores aplicaram algoritmos de aprendizado de máquina (machine learning, ML) para melhorar a acurácia da predição e identificar variáveis maternas e obstétricas mais influentes no risco de natimortalidade. O Random Forest (RF) destacou-se como o modelo mais eficaz, especialmente ao utilizar métodos de explicabilidade como SHAP. Métodos utilizados Foi conduzido um estudo retrospectivo transversal com 549 gestantes atendidas no Hospital Geral de Bishoftu, Etiópia, entre janeiro e dezembro de 2023. Dados maternos e obstétricos foram extraídos dos prontuários hospitalares. As variáveis preditoras incluíram idade materna, peso, gravidade, idade gestacional na admissão e no parto, pré-eclâmpsia, número de consultas pré-natais, complicações gestacionais, multiplicidade da gestação, história de aborto e via de parto. Os dados foram divididos em conjunto de treinamento (70%) e teste (30%) e analisados por regressão logística, Support Vector Machine (SVM), Gradient Boosting e Random Forest. O desempenho foi avaliado com métricas como acurácia, sensibilidade, especificidade e área sob a curva ROC (AUC). Resultados O modelo Random Forest apresentou o melhor desempenho, com acurácia de 92%, AUC de 0,95 e acurácia balanceada de 94%. Os principais preditores de natimortalidade identificados foram: Idade materna (≥30 anos)  Modo de início do trabalho de parto  Peso materno (≥70 kg)  Gravidade  Via de parto  Variáveis como pré-eclâmpsia, aborto prévio e gravidez gemelar mostraram menor importância preditiva. A análise SHAP confirmou esses achados, explicando o impacto específico de cada variável sobre a previsão do risco. Discussão A idade materna avançada foi consistentemente o fator mais associado à natimortalidade, possivelmente devido ao aumento de comorbidades e complicações obstétricas. Além disso, fatores relacionados ao trabalho de parto e via de parto foram determinantes, reforçando a relevância da vigilância obstétrica intensiva. O número de consultas pré-natais e o desenvolvimento de complicações tiveram contribuição moderada. Apesar de algumas variáveis clínicas tradicionais apresentarem baixa importância no modelo (como pré-eclâmpsia), isso não descarta sua relevância clínica individual, especialmente em contextos específicos. Conclusão O estudo demonstra a superioridade do modelo Random Forest para prever natimortalidade em gestantes etíopes, com destaque para a idade materna como principal fator de risco. As descobertas sustentam o uso de ferramentas de ML para orientar estratégias de cuidado pré-natal direcionadas a gestantes de alto risco, especialmente em ambientes de recursos limitados. Modelos preditivos baseados em dados disponíveis antes do parto são promissores para intervenções precoces e redução da natimortalidade. Insights clínicos  Qual foi o principal fator de risco materno identificado para natimortalidade? A idade materna igual ou superior a 30 anos foi o preditor mais influente, associando-se a um aumento de 2,5 vezes nas chances de natimortalidade. Como o modo de trabalho de parto influencia o risco de natimortalidade? Partos eletivos estiveram associados à menor ocorrência de natimortalidade. Induções de parto também mostraram melhores resultados em comparação ao início espontâneo. O peso materno influencia o risco de natimortalidade? Sim. Mulheres com peso ≥70 kg apresentaram mais que o dobro do risco de natimortalidade em comparação com aquelas com peso inferior. Consultas pré-natais regulares reduzem o risco? Sim. Gestantes com quatro ou mais consultas pré-natais apresentaram menor risco de natimortalidade, evidenciando o papel protetor do pré-natal adequado. Como os modelos de aprendizado de máquina contribuíram para a análise? O Random Forest superou modelos tradicionais em acurácia e sensibilidade, permitindo identificação precoce de gestações de risco e auxiliando na tomada de decisão clínica. Para ver mais conteúdos como este, acesse: NeoPed Hub