Uma pesquisa conduzida por Rafaela Miglinski Lucca utilizou dados do Sistema Único de Saúde (SUS) para estimar o risco de violência contra a mulher. O estudo aplicou modelos de aprendizado de máquina para prever três tipos de violência: psicológica, sexual e física. A iniciativa busca identificar variáveis que possam auxiliar na detecção precoce de casos. Os resultados foram apresentados como promissores, mas a pesquisadora ainda questionava a confiabilidade das estimativas.
“Aplicamos diversos modelos de aprendizado de máquina aos dados de violência contra a mulher, pensando em três desfechos [violência psicológica, sexual e física], para tentar predizer e encontrar variáveis que ajudassem a detectar se uma mulher poderia sofrer violência ou não”, diz Rafaela. A declaração resume o objetivo central do trabalho, que combina ciência de dados e saúde pública.
Modelos identificam fatores de risco associados
O modelo permitiu analisar características associadas aos casos de violência. Entre os fatores identificados, estão menor nível de escolaridade, ausência de uma rede de apoio e a residência em áreas com pouco acesso aos serviços de saúde. Essas variáveis podem orientar políticas públicas de prevenção e assistência. A pesquisadora não detalhou a magnitude de cada fator, mas destacou a relevância de considerá-los em conjunto.
A ausência de rede de apoio, por exemplo, pode deixar a mulher mais vulnerável a situações de violência sem ter a quem recorrer. Já o baixo acesso a serviços de saúde dificulta a busca por ajuda profissional. A escolaridade reduzida, por sua vez, pode limitar o conhecimento sobre direitos e recursos disponíveis. Esses elementos, quando combinados, formam um perfil de risco que o modelo busca capturar.
Predição conforme avalia confiabilidade
Apesar dos bons resultados, Rafaela Miglinski Lucca ainda questionava a confiabilidade das estimativas. Em uma segunda etapa, a pesquisadora utilizou o método de predição conforme para avaliar o grau de confiança das previsões. Essa abordagem permite verificar se as predições são consistentes em diferentes subgrupos da população.
“A partir dos resultados desse primeiro modelo da regressão logística, continuamos conduzindo o processo aplicando o Locart, um modelo de predição de incerteza para subgrupos, para observar se essas predições feitas na regressão logística tinham sido confiáveis”, continua a pesquisadora. O Locart foi proposto em 2024 e agora é aplicado pela primeira vez a uma base de dados de vigilância em saúde e a uma questão social.
Método inédito em vigilância em saúde
Esta é a primeira vez que o método Locart é aplicado a uma base de dados de vigilância em saúde e a uma questão social. Proposto em 2024, o método permite analisar a confiabilidade das previsões em diferentes subgrupos da população. Isso representa um avanço metodológico, pois valida as estimativas para grupos específicos, como mulheres de diferentes faixas etárias ou regiões.
A aplicação inédita reforça o potencial do uso de dados do SUS para além do monitoramento tradicional. A pesquisadora não informou quais subgrupos foram analisados, mas a abordagem pode revelar disparidades na precisão das previsões. Com isso, gestores podem direcionar recursos para onde a incerteza é maior ou onde o risco é mais subestimado.
Implicações para políticas públicas
Os achados sugerem que modelos de aprendizado de máquina podem apoiar a identificação de mulheres em situação de risco. A integração dessas ferramentas aos sistemas de vigilância poderia agilizar encaminhamentos e intervenções. No entanto, a pesquisadora não apresentou recomendações específicas de implementação.
A confiabilidade das previsões é um ponto crítico para a adoção prática. O uso do Locart busca justamente garantir que as estimativas sejam robustas antes de qualquer aplicação. Ainda assim, a fonte não detalhou os próximos passos da pesquisa ou possíveis parcerias com serviços de saúde.
Limitações e próximos passos
A pesquisa não detalhou o tamanho da base de dados utilizada nem o período de coleta. Também não foram informadas as métricas de desempenho dos modelos, como sensibilidade ou especificidade. Essas lacunas limitam a avaliação externa da eficácia preditiva.
A fonte não detalhou se o estudo foi publicado em periódico científico ou se passou por revisão por pares. A ausência dessas informações impede uma análise mais aprofundada da validade dos resultados. Ainda assim, a aplicação pioneira do Locart em vigilância em saúde representa uma contribuição relevante para o campo.
Fonte
- medicinasa.com.br
- cottonbro studio/Pexels (www.pexels.com)