O artigo “Infant Mortality in Brazil: A Survival Analysis using Machine Learning Models”, que tem o prof. Leonardo Frota como primeiro autor, foi aprovado para ser apresentado na 27ª edição do Encontro de Economia da Região Sul da ANPEC (Associação Nacional de Pós-Graduação em Economia), o congresso acadêmico de economia mais importante na região Sul do país.
O evento ocorrerá entre os dias 11/07/2024 e 12/07/2024 na Universidade Estadual de Maringá, em Maringá-PR. Você pode ler o trabalho clicando aqui e obter maiores informações sobre o evento clicando aqui. Ao final desta postagem seguem o resumo e as palavras-chave do trabalho.
Economia PUCPR
Resumo: A persistência da mortalidade infantil em países de renda média, como o Brasil, é um desafio crítico de saúde no século XXI. Os formuladores de políticas de saúde utilizam cada vez mais métodos estatísticos, como a análise de sobrevivência, para identificar fatores associados às taxas de mortalidade. Usando 2,9 milhões de observações do Sistema Único de Saúde (SUS) 2017, estimamos um conjunto de diferentes modelos de aprendizado de máquina (Survival Support Vector Machines, Random Survival Forest e Extreme Gradient Boosting) para prever quais bebês têm o maior risco de não sobreviver o primeiro ano de vida. A estrutura SHAP de aprendizado de máquina interpretável foi usada para identificar fatores que afetam as taxas de mortalidade infantil no Brasil. Fatores como cesarianas e semanas de gestação afetam a mortalidade de forma não linear e os efeitos médios das variáveis, como os encontrados em modelos de regressão padrão, podem ser enganosos. Finalmente, argumentamos que modelos interpretáveis de aprendizagem automática podem apoiar os formuladores de políticas públicas na concepção de estruturas de decisão de saúde que abordem o desafio da mortalidade infantil em países de renda média.
Palavras-chave: Brasil; Saúde do recém-nascido; Mortalidade infantil; Análise de sobrevivência; Aprendizado de máquina; Floresta de sobrevivência aleatória.