Predicting Under-Five Child Stunting Using Machine Learning and Probability Calibration: A Nationally Representative 2024/25 EDHS Study from Ethiopia

Em muitas partes do mundo, a altura de uma criança conta uma história que vai muito além do seu tamanho físico. Quando uma criança pequena é significativamente mais baixa do que o esperado para a sua idade, isso é frequentemente um sinal de desnutrição crónica, uma condição conhecida como nanismo ou atraso no crescimento (stunting). Isto não é meramente uma questão de ser pequeno; é um marcador de privação de longo prazo que pode afetar o desenvolvimento cerebral da criança, a sua capacidade de aprender e a sua saúde pelo resto da vida. Durante décadas, profissionais de saúde pública tentaram identificar quais as crianças que estavam em risco antes que este dano se tornasse permanente. Tradicionalmente, eles basearam-se em ferramentas estatísticas que procuram relações de linha reta entre fatores como a escolaridade da mãe ou o rendimento familiar e o crescimento de uma criança. No entanto, a realidade da saúde humana raramente é uma linha reta. É uma teia complexa onde o peso da mãe, a limpeza da água que uma família bebe e a idade da criança interagem de formas imprevisíveis. Compreender estas conexões emaranhadas é essencial se as comunidades quiserem travar o atraso no crescimento antes que ele começa.

Uma equipa de investigadores na Etiópia adotou uma nova abordagem a este desafio, indo além da estatística tradicional para utilizar um tipo de aprendizagem computacional conhecido como aprendizagem automática (machine learning). Eles analisaram dados de mais de dez mil crianças em todo o país, recolhidos durante um grande inquérito nacional de saúde. Em vez de forçar os dados em fórmulas simples e rígidas, treinaram seis algoritmos de computador diferentes para encontrar os padrões ocultos que preveem quais as crianças que têm probabilidade de sofrer de atraso no crescimento. Estes algoritmos atuaram como diferentes tipos de detetives, cada um procurando pistas de uma forma única. Alguns procuravam regras simples, enquanto outros construíram árvores de decisão complexas que podiam pesar dezenas de fatores ao mesmo tempo. Os investigadores foram cuidadosos para garantir que os computadores utilizassem apenas informações disponíveis antes de o crescimento da criança ser medido, tais como a saúde da mãe e as condições de vida da família, para evitar o uso de conhecimento futuro para prever o passado.

Os resultados mostraram que os modelos de computador mais complexos eram muito melhores a detetar crianças em risco do que os métodos tradicionais. A ferramenta mais bem-sucedida foi um algoritmo sofisticado chamado Gradient Boosting, que aprendia ao cometer pequenos erros e corrigi-los repetidamente. No entanto, os investigadores notaram que esta poderosa ferramenta tinha uma falha: era frequentemente demasiado confiante nas suas previsões, atribuindo pontuações de risco extremas que não correspondiam à realidade. Para corrigir isto, aplicaram um processo de calibração, um método que ajustava suavemente os níveis de confiança do computador para que um risco previsto de oitenta por cento significasse realmente oitenta por cento de probabilidade de atraso no crescimento. Uma vez feito este ajuste, o modelo tornou-se um guia altamente fiável. Identificou corretamente mais de oitenta e três por cento das crianças que apresentavam atraso no crescimento, enquanto também excluiu corretamente mais de oitenta e seis por cento daquelas que não apresentavam.

O estudo revelou que o risco de atraso no crescimento não é distribuído uniformemente, mas segue padrões claros. O computador aprendeu que o risco aumenta significativamente à medida que a criança envelhece, particularmente entre o primeiro e o quinto ano de idade. Também descobriu que as crianças nascidas de mães com baixo peso, aquelas que vivem nos agregados familiares mais pobres e aquelas sem acesso a água potável enfrentam os maiores perigos. Doenças recentes, como a diarreia, também serviram como um forte sinal de alerta. Crucialmente, os investigadores testaram se o uso deste modelo de computador ajudaria realmente os profissionais de saúde no terreno. Eles descobriram que, ao usar o modelo para decidir quais as famílias a visitar primeiro, os profissionais de saúde poderiam poupar recursos e ajudar mais crianças do que se simplesmente visitassem todos ou ninguém.

Este trabalho sugere um novo caminho a seguir para a saúde pública na Etiópia e em regiões semelhantes. O país já emprega milhares de trabalhadores de saúde comunitária que visitam casas regularmente. Os investigadores propõem que estes trabalhadores possam utilizar uma aplicação móvel simples alimentada por este modelo de computador calibrado. Durante uma visita de rotina, um trabalhador poderia inserir alguns factos básicos sobre a família e a criança, e a aplicação geraria instantaneamente uma pontuação de risco. Isto permitiria ao profissional de saúde focar o seu tempo e recursos nas famílias que mais necessitam, oferecendo aconselhamento nutricional ou apoio muito antes de o crescimento da criança parar. Ao transformar dados complexos num sinal claro e acionável, esta abordagem oferece uma forma prática de intervir precocemente, potencialmente prevenindo os efeitos irreversíveis do atraso no crescimento e dando a mais crianças a oportunidade de crescerem saudáveis e fortes.