Modelo preditivo de recidiva de tuberculose (TB) pulmonar utilizando algoritmo de aprendizado de máquina (machine learning algorithms)

Descrição

Introdução: a tuberculose (TB) permanece como um dos principais desafios globais em saúde pública, com alta incidência e risco de recidiva mesmo após tratamento adequado. Embora fatores clínicos, sociais e microbiológicos associados à recidiva sejam conhecidos, a capacidade preditiva dos modelos tradicionais permanece limitada. Algoritmos de aprendizado de máquina (ML) têm mostrado potencial superior na identificação de padrões complexos e predição de desfechos em doenças infecciosas, mas sua aplicação para prever recidiva de TB ainda é incipiente. Nesse contexto, este estudo busca avançar a acurácia prognóstica, comparando métodos clássicos e técnicas modernas de ML. Objetivos: desenvolver um modelo de aprendizado de máquina para predizer recidiva de TB pulmonar após alta por cura ou tratamento completo e comparar seu desempenho com o de modelos estatísticos tradicionais. Metodologia: estudo de acurácia utilizando dados secundários da Secretaria de Saúde de Goiás (2004–2024), incluindo indivíduos ≥10 anos. O préprocessamento contemplará limpeza, padronização e codificação das variáveis. Diferentes algoritmos supervisionados serão treinados e validados mediante hold-out ou k-fold. O desempenho dos modelos será avaliado por acurácia, AUC, sensibilidade, especificidade, VPP e VPN, além de comparação com regressão logística multivariada por AIC, R², Kappa e teste de McNemar.