A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

Em muitas partes do mundo, a jornada da gravidez é repleta de perigos, onde uma única complicação pode transformar um momento de antecipação em uma tragédia. Em ambientes de baixos recursos, e particularmente em áreas afetadas por conflitos, a capacidade de prever quem está em risco de morrer durante o parto é frequentemente limitada pela falta de dados e pela pura complexidade da biologia humana. Por décadas, os médicos confiaram em métodos estatísticos padrão para ponderar fatores como a idade da mãe, seu histórico de partos anteriores e seu acesso ao cuidado. Esses métodos são úteis, mas muitas vezes lutam para enxergar as formas intrincadas e não lineares como esses fatores interagem. Nos últimos anos, uma nova geração de ferramentas surgiu do campo da ciência da computação, capaz de encontrar padrões ocultos em vastas quantidades de informações. Duas dessas ferramentas mais poderosas são as redes neurais artificiais, que imitam a maneira como o cérebro humano conecta ideias, e as máquinas de gradient boosting, que constroem previsões aprendendo com uma série de pequenos erros sequenciais. A questão que se impõe aos profissionais de saúde pública é se essas ferramentas digitais avançadas podem realmente ajudar a salvar vidas nos ambientes mais difíceis, ou se são simplesmente complexas demais para os dados disponíveis.

Na cidade de Maiduguri, na Nigéria, afetada por conflitos, onde a insegurança e um sistema de saúde frágil tornam o cuidado materno uma luta diária, dois pesquisadores decidiram testar essas ferramentas digitais contra a realidade dos registros médicos locais. Eles reuniram informações de 158 mulheres que receberam cuidados em hospitais selecionados na cidade. O objetivo era direto: ver se um computador poderia analisar o histórico de saúde de uma mulher e prever corretamente se ela sobreviveria ao parto ou não. A equipe comparou duas abordagens diferentes. Uma abordagem utilizou uma rede neural artificial, um tipo de programa que aprende ajustando as conexões entre camadas de unidades digitais, de forma muito semelhante a um estudante refinando sua compreensão de um assunto através da prática repetida. A outra abordagem utilizou um método chamado XGBoost, que funciona construindo uma floresta de árvores de decisão, onde cada nova árvore corrige os erros das anteriores, refinando gradualmente a previsão mais precisa.

Os pesquisadores começaram com um conjunto de dados que incluía detalhes como a idade da mãe, educação, renda, o número de vezes que ela esteve grávida e se ela havia experimentado complicações como hemorragia grave ou pressão alta. No entanto, ao prepararem os dados para o computador aprender, descobriram uma falha crítica que teria enganado completamente seus resultados. Uma variável em seus registros, rotulada como "Morbidade Grave", revelou-se um espelho perfeito do próprio desfecho. Em todos os casos em que uma mulher morreu, essa variável foi marcada como grave, e em todos os casos em que sobreviveu, foi marcada como não grave. Se o computador tivesse sido permitido usar essa informação, ele não estaria prevendo o futuro; estaria simplesmente lendo o gabarito. Os pesquisadores tomaram a decisão difícil, porém necessária, de remover essa variável inteiramente. Eles também removeram outro dado que era o mesmo para todas as pessoas no estudo, pois não oferecia nenhuma informação útil para distinguir entre sobreviventes e aqueles que não sobreviveram.

Com os dados limpos e a informação enganosa removida, a equipe executou seus modelos usando um método de teste rigoroso. Em vez de dividir os dados apenas uma vez em um conjunto de treinamento e um de teste, eles embaralharam repetidamente os 158 registros em grupos diferentes, treinando os modelos em alguns e testando-os em outros, um processo que repetiram cem vezes para garantir que os resultados fossem estáveis e não apenas um golpe de sorte. Os resultados foram impressionantes. Tanto a rede neural artificial quanto o modelo XGBoost apresentaram uma precisão excepcional, classificando corretamente a vasta maioria dos casos. A rede neural foi ligeiramente mais precisa no geral, acertando quase todos os casos, enquanto o modelo XGBoost também foi altamente eficaz, errando apenas alguns casos. Ambas as ferramentas avançadas superaram significativamente um método estatístico tradicional, que, embora ainda fosse bom, era menos preciso.

Talvez mais importante do que as pontuações brutas fosse o que os computadores disseram aos pesquisadores sobre as causas da morte. Quando a variável enganosa foi removida, os modelos identificaram um novo conjunto de fatores que impulsionavam o risco de mortalidade materna. O preditor mais poderoso foi a eclâmpsia, uma condição perigosa envolvendo convulsões durante a gravidez. Em seguida, vieram o método utilizado para o parto, o número de partos anteriores, o número total de gestações e a renda familiar da mãe. Essas descobertas alinharam-se perfeitamente com o que os especialistas médicos já sabiam sobre os perigos da gravidez, dando aos pesquisadores a confiança de que seus modelos estavam aprendendo verdades médicas reais, em vez de apenas memorizar peculiaridades dos dados. Os modelos capturaram com sucesso as formas complexas como esses fatores trabalham juntos, mostrando que o risco de uma mulher não se trata de apenas uma coisa, mas de uma combinação de seu histórico médico, suas circunstâncias de parto e suas circunstâncias sociais.

Apesar desses resultados impressionantes, os pesquisadores foram cautelosos ao não declarar o problema resolvido. Eles observaram que o conjunto de dados era bastante pequeno, contendo apenas 158 registros, e que a alta precisão pode ter ocorrido em parte porque o computador aprendeu os padrões específicos deste pequeno grupo de mulheres de forma muito profunda. É possível que, se os modelos fossem testados em um grupo completamente diferente de mulheres de outro hospital ou de outra cidade, seu desempenho pudesse cair. O estudo serve como uma forte prova de conceito, mostrando que essas ferramentas digitais podem encontrar padrões significativos em dados locais, mas não é ainda uma solução final pronta para uso imediato em cada clínica. Os pesquisadores enfatizaram que, antes que essas ferramentas possam ser confiadas para guiar decisões de vida ou morte em um hospital, elas devem ser testadas em grupos muito maiores de pessoas e validadas em diferentes contextos.

O estudo conclui que, embora a inteligência artificial prometa muito para ajudar médicos em áreas de recursos limitados e afetadas por conflitos a identificar gravidezes de alto risco precocemente, ela deve ser usada com cautela e humildade. A tecnologia é poderosa, mas é tão boa quanto os dados que lhe são fornecidos e o cuidado tomado para garantir que os dados sejam honestos e completos. Para as mulheres de Maiduguri, o caminho a seguir envolve não apenas adotar novas tecnologias, mas também melhorar como os registros médicos são mantidos e garantir que a informação registrada seja verdadeiramente independente do desfecho. Com melhores dados e mais testes, ferramentas como redes neurais e gradient boosting poderiam se tornar parceiras vitais para os profissionais de saúde, ajudando-os a alocar recursos escassos para as mães que mais precisam deles, potencialmente salvando vidas em alguns dos ambientes mais desafiadores do mundo.