Predicting the need for medical care after toxin exposure using SHAP-interpretable gradient boosting
Este estudo desenvolveu e validou um modelo de aprendizado de máquina baseado em gradient boosting (XGBoost) e interpretável via SHAP, capaz de prever com precisão a necessidade de cuidados médicos após exposições a toxinas utilizando apenas dados de chamadas iniciais ao centro de controle de envenenamento, auxiliando assim na triagem clínica consistente e eficiente.