Predição da taxa de internação por desnutrição no sistema único de saúde utilizando aprendizado de máquina
Visualizar/abrir
Data
2026Autor
Orientador
Nível acadêmico
Especialização
Outro título
Prediction of hospitalization rate for malnutrition in the sistema único de saúde (SUS) using machine learning
Resumo
O Brasil ainda luta para prover à população acesso a uma alimentação nutritiva e balanceada, fato reforçado pela reinclusão ao Mapa da Fome da Organização das Nações Unidas em 2019. Ainda que, em 2025, o Brasil tenha saído do Mapa da Fome, há trinta e cinco milhões de pessoas com dificuldade para se alimentar, demonstrando a necessidade em manter e estruturar as políticas públicas de redução de fome e pobreza. O Sistema Único de Saúde (SUS) possui um papel importante neste contexto, tanto na pr ...
O Brasil ainda luta para prover à população acesso a uma alimentação nutritiva e balanceada, fato reforçado pela reinclusão ao Mapa da Fome da Organização das Nações Unidas em 2019. Ainda que, em 2025, o Brasil tenha saído do Mapa da Fome, há trinta e cinco milhões de pessoas com dificuldade para se alimentar, demonstrando a necessidade em manter e estruturar as políticas públicas de redução de fome e pobreza. O Sistema Único de Saúde (SUS) possui um papel importante neste contexto, tanto na prevenção quanto na recuperação da saúde de pessoas afetadas pela fome. Neste trabalho, foram desenvolvidos e avaliados modelos de aprendizado de máquina com o objetivo de predizer a taxa anual de internação hospitalar por comorbidade de desnutrição no Sistema Único de Saúde, segmentada pelas 439 regiões de saúde do país, com base no local de residência dos pacientes. Para a construção dos modelos, foram utilizados dados históricos de internações do SUS combinados com variáveis socioeconômicas, demográficas, educacionais e de infraestrutura provenientes de bases públicas nacionais. Foram treinados e comparados os algoritmos Random Forest, XGBoost e Light Gradient Boosting Machine com aplicação de técnicas de seleção de atributos, otimização de hiperparâmetros e validação temporal do tipo out-of-time (OOT). O desempenho dos modelos foi avaliado por meio das métricas coeficiente de determinação (R2) e erro percentual absoluto médio (MAPE). No conjunto OOT, observou-se valores de R2 de 0,66 para LGBM, 0,64 para Random Forest e 0,65 para XGBoost, enquanto os valores de MAPE foram de 0,35, 0,42 e 0,37, respectivamente. Os resultados também evidenciaram variações significativas no desempenho dos modelos entre as macrorregiões brasileiras, indicando que fatores socioeconômicos e territoriais influenciam de maneira distinta a taxa de internação por desnutrição, assim como foi possível observar na interpretação dos algoritmos, utilizando-se SHAP. ...
Abstract
Brazil still struggles to provide its population with access to nutritious and balanced food, a fact reinforced by its reinclusion in the United Nations Hunger Map in 2019. Even if Brazil is removed from the Hunger Map by 2025, thirty-five million people experience food insecurity, demonstrating the need to maintain and structure public policies to reduce hunger and poverty. The Sistema Único de Saúde (SUS) plays an important role in this context, both in the prevention and the recovery of the ...
Brazil still struggles to provide its population with access to nutritious and balanced food, a fact reinforced by its reinclusion in the United Nations Hunger Map in 2019. Even if Brazil is removed from the Hunger Map by 2025, thirty-five million people experience food insecurity, demonstrating the need to maintain and structure public policies to reduce hunger and poverty. The Sistema Único de Saúde (SUS) plays an important role in this context, both in the prevention and the recovery of the health of people affected by hunger. In this work, machine learning models were developed and evaluated with the aim of predicting the annual rate of hospitalizations due to malnutrition in the Sistema Único de Saúde, segmented by the 439 health regions of the country, based on the patients place of residence. For the construction of the models, historical data on SUS hospitalizations were used, combined with socioeconomic, demographic, educational, and infrastructure variables from national public databases. The algorithms Random Forest, XGBoost, and Light Gradient Boosting Machine were trained and compared using feature selection techniques, hyperparameter optimization, and out-of-time (OOT) validation. Model performance was evaluated using the coefficient of determination (R2) and mean absolute percentage error (MAPE). In the OOT set, R2 values of 0.66 were observed for LGBM, 0.64 for Random Forest, and 0.65 for XGBoost, while MAPE values were 0.35, 0.42, and 0.37, respectively. The results also revealed significant variations in the performance of the models among the Brazilian macro-regions, indicating that socioeconomic and territorial factors influence the rate of hospitalization due to malnutrition in distinct ways, as was observed in the interpretability of the algorithms, using SHAP. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Curso de Especialização em Engenharia de Software para Aplicações de Ciência de Dados.
Coleções
Este item está licenciado na Creative Commons License


