Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study

Resumo Técnico: Previsão da Mortalidade Materna na África Subsaariana até 2035

Definição do Problema
A mortalidade materna continua sendo um indicador crítico de disparidade global de saúde, com a África Subsaariana (ASS) suportando um fardo desproporcional. Embora as tendências históricas mostrem uma redução na Razão de Mortalidade Materna (RMM), a região está projetada para não atingir a meta 3.1 dos Objetivos de Desenvolvimento Sustentável (ODS) de menos de 70 mortes por 100.000 nascidos vivos até 2030. A literatura existente tem se baseado amplamente em análises retrospectivas descritivas de dados da Carga Global de Doenças (GBD) ou em estudos de previsão limitados utilizando conjuntos de dados mais antigos (ex: dados do Banco Mundial até 2015) e comparações metodológicas estreitas (frequentamente limitadas a um único algoritmo de aprendizado de máquina como o Prophet). Há uma carência de estudos comparativos rigorosos que utilizem as estimativas mais recentes do GBD 2023 (até 2023) para avaliar se técnicas modernas de aprendizado de máquina (ML) e aprendizado profundo (DL) superam os métodos estatísticos clássicos para séries temporais de saúde anuais de curto prazo neste contexto específico.

Metodologia
Este estudo empregou uma análise de série temporal secundária das estimativas de RMM do GBD 2023 para a África Subsaariana, abrangendo 44 observações anuais de 1980 a 2023. A inovação metodológica central foi um framework comparativo unificado avaliando oito modelos de previsão através de três famílias:

1. Métodos Estatísticos: Suavização exponencial de tendência amortecida de Holt, ARIMA (1,1,1) e regressão log-linear.
2. Aprendizado de Máquina (ML): Random Forest, Gradient Boosting, XGBoost e Regressão de Vetores de Suporte (SVR).
3. Aprendizado Profundo (DL): Redes de Longa Memória de Curto Prazo (LSTM).

Para garantir uma seleção de modelo robusta e evitar o sobreajuste (overfitting), o estudo utilizou um framework de validação fora da amostra de janela expansiva e de avanço progressivo (walk-forward, expanding-window). Os últimos dez anos de dados (2014–2023) serviram como o período de teste. Os modelos foram treinados em uma janela crescente de dados históricos e avaliados um passo à frente em cada iteração. O desempenho foi medido usando o Erro Quadrático Médio (RMSE), o Erro Absoluto Médio (MAE) e o Erro Percentual Absoluto Médio (MAPE). O melhor modelo foi reestimado no conjunto completo de dados de 1980–2023 para gerar previsões e intervalos de predição de 95% até 2035. Todos os modelos de ML e DL utilizaram uma abordagem de recursos de defasagem (lag-feature), usando os valores de RMM dos três anos anteriores como preditores, e foram regularizados para compensar o pequeno tamanho da amostra.

Principais Resultados

• Tendência Histórica: Entre 1980 e 2023, a RMM na ASS diminuiu de 674,5 para 396,2 mortes por 100.000 nascidos vivos (uma redução de 41,3%). A Variação Percentual Anual Estimada (EAPC) para a década de 2013–2023 foi de -2,17%.
• Desempenho dos Modelos: Os modelos estatísticos clássicos superaram significativamente as abordagens de ML e DL.
  • Melhores Desempenhos: O ARIMA (1,1,1) (RMSE = 2,74, MAPE = 0,55%) e a suavização exponencial de tendência amortecida de Holt (RMSE = 2,75, MAPE = 0,52%) alcançaram os menores erros.
  • Aprendizado de Máquina: Os modelos de ML (Gradient Boosting, XGBoost, Random Forest, SVR) tiveram um desempenho moderado, mas com erros uma ordem de magnitude superiores aos dos melhores modelos estatísticos (RMSE variando entre 10,15 e 16,61).
  • Aprendizado Profundo: O modelo LSTM falhou catastroficamente, produzindo um RMSE de 388,33 e um MAPE de 88,52%, falhando efetivamente em aprender qualquer padrão significativo a partir dos dados limitados.
  • Regressão Log-Linear: Esta extrapolação de tendência simples teve um desempenho ruim (RMSE = 46,57) devido à sua incapacidade de capturar a desaceleração da tendência histórica.
• Projeções Futuras: Com base no modelo ARIMA (1,1,1) selecionado, a RMM é projetada para declinar para 344,7 (IC 95%: 301,7–387,7) até 2030 e 313,0 (IC 95%: 231,6–394,4) até 2035.

Significância e Alegações
O artigo reivindica três contribuições primárias:

1. Seleção de Modelo Empírica: Fornece a primeira comparação unificada de métodos estatísticos, ML e DL para a mortalidade materna na ASS utilizando dados do GBD 2023. O estudo demonstra que, para séries temporais anuais curtas e de baixa dimensionalidade (aprox. 40–50 observações), os modelos estatísticos clássicos que consideram tendência e autocorrelação são empiricamente superiores aos métodos de ML e DL que demandam grandes volumes de dados. A falha catastrófica do modelo LSTM é destacada como evidência de que o aprendizado profundo requer conjuntos de dados maiores do que os disponíveis neste contexto para generalizar de forma eficaz.
2. Avaliação de Trajetória Atualizada: O estudo confirma que, mesmo com os dados mais recentes e uma modelagem robusta, a África Subsaariana não está no caminho para atingir a meta de 3.1 dos ODS. A RMM projetada para 2030 é aproximadamente cinco vezes maior que a meta de 70, indicando uma lacuna persistente e ampla.
3. Lição Metodológica: O artigo argumenta que a escolha da família de modelos de previsão não deve ser assumida a priori baseada na popularidade de ML/DL em outros campos. Em vez disso, a seleção do modelo deve ser um exercício empírico impulsionado pela validação rigorosa fora da amostra, específica para o indicador e para as características dos dados.

Limitações
O autor reconhece diversas limitações: o pequeno tamanho da amostra (44 observações) limita a confiabilidade das aplicações de aprendizado profundo; a previsão é feita ao nível agregado regional e pode não refletir disparidades subregionais; a projeção estende padrões estatísticos sem simular o impacto de intervenções de saúde específicas; e os intervalos de predição refletem a incerteza no modelo de previsão, mas não abrangem totalmente a incerteza inerente ao próprio processo de estimativa do GBD.