Machine Learning-Based Prediction of Acute Morbidity and Counterfactual Policy Simulation among Children 6–23 Months of Age in Punjab, Pakistan: A Secondary Analysis of a Multi-Indicator Cluster Survey 2017–18

Nos primeiros dois anos da vida de uma criança, o corpo está construindo sua base. Este é um período crítico onde a nutrição e o ambiente moldam não apenas como uma criança cresce, mas quão bem seu sistema imunológico pode combater doenças comuns. Quando uma criança em um cenário de baixa renda desenvolve febre, diarreia ou uma infecção respiratória, os riscos são altos; essas doenças agudas são a principal causa de morte para crianças pequenas em muitas partes do mundo. Embora médicos e profissionais de saúde pública saibam há muito tempo que a pobreza, a falta de educação e a má alimentação contribuem para as doenças, a mistura exata de fatores é complexa. É difícil desvendar qual intervenção única salvaria mais vidas ou preveniria mais doenças em uma região específica. Para resolver isso, pesquisadores estão recorrendo cada vez mais a modelos computacionais que podem filtrar vastas quantidades de dados de pesquisas para encontrar padrões que a análise humana poderia perder, permitindo que testem o que aconteceria se condições específicas fossem melhoradas.

Uma equipe de pesquisadores no Paquistão aplicou essa abordagem à saúde das crianças no Punjab, a província mais populosa do país. Eles focaram em crianças entre seis e vinte e três meses de idade, um grupo que é particularmente vulnerável. Usando dados de uma pesquisa domiciliar massiva realizada em 2017 e 2018, eles examinaram quase 10.000 crianças para entender por que algumas estavam doentes e outras estavam saudáveis. Os pesquisadores não estavam apenas procurando correlações; eles queriam simular o futuro. Eles construíram um modelo computacional que aprendeu com os dados existentes para prever a doença e, então, fizeram uma pergunta de "e se": o que aconteceria com a saúde de toda a população se cada criança tivesse acesso a suplementos vitamínicos, ou se cada mãe tivesse um nível de educação mais elevado? Este método, conhecido como simulação contrafactual, permite que cientistas estimem o impacto potencial de mudanças de políticas antes que elas sejam realmente implementadas.

O estudo começou olhando para a realidade atual no terreno. Nas duas semanas anteriores à pesquisa, quase metade das crianças na amostra esteve doente com pelo menos um dos principais males infantis: febre, diarreia, tosse, ou dificuldade para respirar. A carga de doenças não estava distribuída uniformemente pela província. Em algumas divisões, como Dera Ghazi Khan, mais de dois terços das crianças estiveram doentes, enquanto em outras, como Gujranwala, a taxa era significativamente menor. Os pesquisadores também observaram que a grande maioria das crianças não estava recebendo suplementos de vitaminas ou minerais, e uma grande parte das mães não possuía educação formal. Esses eram os ingredientes brutos que o modelo computacional precisava para aprender.

Para dar sentido a essa complexidade, os pesquisadores usaram uma técnica de aprendizado de máquina chamada floresta aleatória (random forest). Imagine uma floresta de árvores de decisão, onde cada árvore faz uma série de perguntas simples sobre a vida de uma criança — como "A família tem seguro de saúde?" ou "A criança recebeu vitaminas?" — para decidir se a criança tem probabilidade de estar doente. O computador construiu milhares dessas árvores, cada uma olhando para os dados de forma ligeiramente diferente, e depois deixou que elas votassem na resposta final. Essa abordagem é poderosa porque pode lidar com dados do mundo real que são desordenados, onde muitos fatores se sobrepõem. O modelo foi treinado com a maior parte dos dados e depois testado em um grupo separado para ver o quão bem ele se saía. Ele previu com sucesso se uma criança estava saudável ou doente melhor do que um palpite aleatório, provando que os dados continham sinais claros sobre o que impulsiona a doença.

Uma vez construído o modelo, os pesquisadores voltaram-se para a parte mais importante do estudo: identificar quais fatores eram mais importantes. Eles mediram o quanto cada variável, desde a riqueza até a dieta, contribuía para a capacidade do modelo de distinguir entre crianças doentes e saudáveis. Os resultados foram impressionantes. O fator mais importante isoladamente foi o acesso a suplementos de vitaminas e minerais. Este fator superou todo o resto, incluindo a riqueza da família e o nível de educação da mãe. Embora a pobreza e a educação estejam inegavelmente ligadas à saúde, os dados mostraram que a presença ou ausência desses suplementos era o preditor mais forte de se uma criança ficaria doente. Outros fatores, como a educação da mãe e a dieta da criança, também eram importantes, mas desempenhavam um papel secundário em comparação aos suplementos.

Os pesquisadores então usaram o modelo para realizar suas simulações, criando efetivamente uma versão digital do Punjab onde poderiam mudar uma regra de cada vez. No primeiro cenário, imaginaram um mundo onde cada criança do estudo tivesse acesso a suplementos de vitaminas e minerais. O modelo previu que essa mudança única resultaria em uma melhoria massiva na saúde pública. A taxa de crianças saudáveis saltaria quase treze pontos percentuais, uma mudança que representa milhares de crianças a menos doentes em toda a província. No segundo cenário, imaginaram que todas as mães da amostra tivessem alcançado um nível de educação mais elevado. Isso também levou a uma melhoria, mas era muito menor, elevando a taxa de saúde em cerca de três e meio pontos percentuais. O terceiro cenário, onde cada criança tivesse uma dieta que atendesse aos padrões mínimos de diversidade, produziu o menor ganho, aumentando a taxa de saúde em menos de meio ponto percentual.

Essas descobertas sugerem que, embora a educação e a dieta sejam vitais, a alavanca mais imediata e poderosa para reduzir a doença nesta população específica é garantir que as crianças recebam suas vitaminas e minerais. A simulação indica que um programa direcionado para fornecer esses suplementos poderia ter um impacto muito maior na saúde geral da população do que outras intervenções, pelo menos no curto prazo. Os pesquisadores observaram que isso não significa que a educação ou a dieta não sejam importantes; pelo contrário, sugere que, em um cenário de recursos limitados, a lacuna no acesso aos suplementos é um gargalo crítico que, se removido, gera o maior retorno. O estudo destaca que, nas divisões com as maiores taxas de doença, como Dera Ghazi Khan, priorizar esses suplementos poderia salvar mais vidas.

O estudo conclui que esta combinação de aprendizado de máquina e simulação oferece uma nova maneira de tomar decisões de saúde pública. Em vez de adivinhar qual política poderia funcionar, os oficiais podem usar esses modelos para ver o resultado provável de diferentes escolhas. Para as crianças do Punjab, o caminho a seguir parece claro: embora os investimentos de longo prazo em educação e nutrição continuem essenciais, um esforço focado para garantir que cada criança receba suplementos de vitaminas e minerais poderia reduzir dramaticamente a carga de doenças agudas nos próximos anos. Os dados fornecem um roteiro, mostrando que uma intervenção relativamente simples poderia levar a um futuro mais saudável para as crianças mais vulneráveis da região.