Explainable Machine Learning for Diabetes Risk Prediction: Development of a Baseline Predictive Engine for the Wo’tosuga Digital Health Platform Targeting African Populations

Resumo Técnico: Aprendizado de Máquina Explicável para Predição de Risco de Diabetes na Plataforma Wo'tosuga

Problema
O diabetes mellitus representa uma crise de saúde pública em rápida escalada na África subsaariana, com uma estimativa de 54% dos indivíduos afetados permanecendo não diagnosticados. A triagem convencional baseada em laboratório (ex: glicemia de jejum, HbA1c) é frequentemente inacessível devido a restrições infraestruturais, financeiras e geográficas. Embora o aprendizado de máquina (ML) ofereça uma alternativa escalável e não invasiva usando variáveis autorrelatadas, os modelos preditivos existentes sofrem de duas limitações críticas:

1. Generalização de Dados: A maioria dos modelos é treinada em conjuntos de dados da América do Norte ou Europa (ex: Pima Indian, US BRFSS), limitando sua aplicabilidade às populações africanas devido a diferenças nas distribuições de fatores de risco e características fenotípicas.
2. Métricas de Avaliação: A literatura baseia-se predominantemente na acurácia geral ou AUC-ROC, que são inapropriadas para tarefas de triagem desbalanceadas. Em ambientes de baixos recursos, a prioridade clínica é maximizar a sensibilidade (identificar indivíduos realmente em risco) para evitar diagnósticos perdidos, em vez de maximizar a acurácia, que frequentemente favorece a classe majoritária.

Metodologia
Este estudo estabelece um motor preditivo de linha de base (Phase 1) para a plataforma de saúde digital Wo'tosuga utilizando um pipeline rigoroso e reproduzível:

• Fonte de Dados: O estudo utilizou três ciclos (2019, 2021, 2023) do US Behavioral Risk Factor Surveillance System (BRFSS), gerando um conjunto de dados analíticos de 869.319 respondentes.
• Pré-processamento:
  • Seleção de Atributos (Features): 21 atributos preditivos foram retidos após a remoção de variáveis com mais de 50% de dados ausentes.
  • Recodificação do Alvo: Casos pré-diabéticos foram reclassificados como diabéticos (classe positiva) para alinhar-se ao objetivo clínico de sinalizar todos os indivíduos em risco para intervenção.
  • Desbalanceamento de Classe: O conjunto de dados exibiu um desbalanceamento de aproximadamente 5,4:1 (84,4% não diabéticos vs. 15,6% diabéticos). Em vez de sobreamostragem sintética (SMOTE), o estudo empregou aprendizado sensível ao custo (ex: class_weight='balanced', scale_pos_weight) para preservar as distribuições de probabilidade naturais.
  • Engenharia de Atributos: Variáveis categóricas (estado civil/ocupação) foram colapsadas para fins de interpretabilidade; uma variável de nível socioeconômico foi derivada para ser transferível para contextos não americanos.
• Desenvolvimento do Modelo:
  • Oito algoritmos foram avaliados: Regressão Logística, Árvore de Decisão, Extra Trees, Gradient Boosting, AdaBoost, XGBoost, LightGBM e K-Nearest Neighbors.
  • Otimização: O ajuste de hiperparâmetros foi realizado via GridSearchCV com validação cruzada de 3 dobras (3-fold cross-validation), otimizando explicitamente para recall (sensibilidade).
  • Avaliação: A sensibilidade foi designada como a métrica primária, juntamente com especificidade, VPP, VPN, F1-score, AUC-ROC e escore de Brier.
• Explicabilidade: Valores SHAP (SHapley Additive exPlanations) foram computados usando o algoritmo TreeExplainer para determinar a importância global dos atributos e as contribuições das previsões locais.

Principais Resultados

• Desempenho do Modelo: O LightGBM emergiu como o algoritmo superior. Após o ajuste de hiperparâmetros e o retreinamento no conjunto de dados completo, o modelo final alcançou:
  • Sensibilidade: 0,809 (80,9% dos verdadeiros diabéticos identificados corretamente).
  • Especificidade: 0,701.
  • AUC-ROC: 0,828.
  • Valor Preditivo Negativo (VPN): 0,952.
  • Nota: Embora o Gradient Boosting tenha alcançado um AUC-ROC semelhante (0,826), sua sensibilidade foi criticamente baixa (0,190), tornando-o clinicamente inadequado para triagem, apesar da alta acurácia.
• Comparadores: XGBoost (Sensibilidade: 0,806) e Regressão Logística (Sensibilidade: 0,779) serviram como fortes comparadores, sugerindo que o sinal preditivo neste conjunto de dados é amplamente capturado por um pequeno conjunto de fatores de risco linearmente separáveis.
• Importância dos Atributos: A análise SHAP identificou os cinco principais preditores, consistentes tanto no LightGBM quanto na Regressão Logística:
  1. Idade
  2. Saúde geral autorrelatada
  3. IMC
  4. Status de pressão arterial
  5. Tempo desde o último check-up médico
• Interpretabilidade: O modelo demonstrou padrões clinicamente coerentes (ex: aumento monotônico do risco com a idade e o IMC; relação inversa entre a classificação de saúde geral e o risco). Notavelmente, a variável de nível socioeconômico mostrou importância negligenciável, provavelmente devido à imprecisão da métrica derivada.

Significância e Alegações
O artigo posiciona este trabalho não meramente como um exercício de modelagem preditiva, mas como a infraestrutura fundamental para um loop de pesquisa translacional desenhado para enfrentar o "gap de dados médicos africanos".

1. Utilidade Clínica como Ferramenta de Triagem: O modelo é explicitamente enquadrado como um instrumento de triagem e triagem (triage), não como uma ferramenta de diagnóstico. O alto VPN (0,952) é destacado como a mét verdadeiramente significativa métrica para ambientes de baixo acesso, fornecendo tranquilidade confiável para resultados negativos e permitindo a priorização de casos positivos para recursos laboratoriais escassos.
2. O "Loop de Pesquisa Wo'tosuga": Os autores reconhecem que treinar exclusivamente em dados dos EUA é uma limitação primária. No entanto, eles reestruturam isso como a motivação central da arquitetura da plataforma. A plataforma Wo'tosuga integra um mecanismo de doação de dados anônimos, permitindo que os usuários contribuam com seus fatores de risco e previsões. Isso cria um ciclo de autoaperfeiçoamento onde a linha de base treinada nos EUA permite a implementação imediata, enquanto as interações resultantes dos usuários geram os dados específicos da África necessários para retreinar e validar futuras iterações do modelo.
3. Rigor Metodológico: O estudo enfatiza a importância crítica da seleção de métricas no aprendizado de máquina clínico. Ao priorizar a sensibilidade em vez da acurácia, a pesquisa demonstra que modelos que parecem "competitivos" sob benchmarks padrão podem ser clinicamente perigosos se falharem em detectar a maioria dos indivíduos em risco.

Em conclusão, o artigo estabelece uma linha de base reproduzível e explicável (LightGBM, Sensibilidade ~0,81, VPN ~0,95) para a estratificação de risco de diabetes. Sua principal contribuição é o design arquitetônico de uma plataforma de saúde digital que funciona simultaneamente como uma ferramenta de triagem clínica e um motor de coleta de dados para fechar progressivamente o gap nos dados de saúde específicos da África.