Predição de Mortalidade em Prematuros no Brasil com Otimização de Limiar Orientada à Sensibilidade Clínica e Validação Temporal

• Sayonara C. de O. Magalhães UFRN
• Karolayne S. Azevedo UFRN
• Luísa C. de Souza UFRN
• Matheus Dalmolin UFRN
• Marcelo A. C. Fernandes UFRN

DOI: https://doi.org/10.5753/sbcas.2026.20234

Resumo

A mortalidade em prematuros constitui relevante desafio para a saúde pública brasileira. Este estudo propõe um modelo baseado em XGBoost para predição de óbito até 365 dias, utilizando coorte nacional vinculada dos sistemas SINASC e SIM (2014–2022), com 3.064.338 registros e prevalência de 1,78%. O modelo alcançou AUC-ROC de 0,9296. O critério com precisão mínima de 20% identificou 54,8% dos óbitos sinalizando 5% da população, com enriquecimento de 11,2 vezes. A validação temporal (2021–2022) confirmou robustez interanual (AUC-ROC = 0,9312). Os resultados indicam potencial para suporte decisório na alocação de recursos no SUS.

Referências

Butler, A. S., Behrman, R. E., et al. (2007). Preterm birth: causes, consequences, and prevention.

Lee, J., Cai, J., Li, F., and Vesoulis, Z. A. (2021). Predicting mortality risk for preterm infants using random forest. Scientific reports, 11(1):1–9.

Lopes, M. L. B., Barbosa, R. d. M., and Fernandes, M. A. C. (2022). Unsupervised learning applied to the stratification of preterm birth risk in brazil with socioeconomic data. International Journal of Environmental Research and Public Health, 19(9).

Modell, B., Berry, R., Boyle, C. A., Christianson, A., Darlison, M., Dolk, H., Howson, C. P., Mastroiacovo, P., Mossey, P., and Rankin, J. (2012). Global regional and national causes of child mortality. The Lancet, 380(9853):1556.

Motlagh, A. J., Asgary, R., and Kabir, K. (2020). Evaluation of clinical risk index for babies to predict mortality and morbidity in neonates admitted to neonatal intensive care unit. Electronic Journal of General Medicine, 17(5).

Oliveira, Y. S. d. P., Freitas, G. R. d., Barros, W. K. P., Souza, L. C. d., Azevedo, K. S., Barbosa, R. d. M., and Fernandes, M. A. C. (2023). Aprendizagem de máquina aplicada à estratificação de risco de mortalidade de recém-nascidos associados a partos prematuros. In Simas, E., Ferreira, D. D., and Oliveira, L. R., editors, Anais do XVI Congresso Brasileiro de Inteligência Computacional (CBIC’2023), pages 1–8, Salvador, BA. SBIC.

Rocha, A. S., de Cássia Ribeiro-Silva, R., Fiaccone, R. L., Paixao, E. S., Falcão, I. R., Alves, F. J. O., Silva, N. J., Ortelan, N., Rodrigues, L. C., Ichihara, M. Y., et al. (2022). Differences in risk factors for incident and recurrent preterm birth: a population-based linkage of 3.5 million births from the cidacs birth cohort. BMC medicine, 20(1):111.

Silva, A. B., Rocha, E. d. S., Lorenzato, J. F., and Endo, P. T. (2025). Evaluating how different balancing data techniques impact on prediction of premature birth using machine learning models. PLOS ONE, 20:1–21.

Sullivan, B. A., Beam, K., Vesoulis, Z. A., Aziz, K. B., Husain, A. N., Knake, L. A., Moreira, A. G., Hooven, T. A., Weiss, E. M., Carr, N. R., et al. (2024). Transforming neonatal care with artificial intelligence: challenges, ethical consideration, and opportunities. Journal of perinatology, 44(1):1–11.

Tietzmann, M. R., Teichmann, P. d. V., Vilanova, C. S., Goldani, M. Z., and Silva, C. H. d. (2020). Risk factors for neonatal mortality in preterm newborns in the extreme south of brazil. Scientific Reports, 10(1):7252.

Victor, A., Almeida, F., Xavier, S. P., and Rondó, P. H. (2025). Predicting low birth weight risks in pregnant women in brazil using machine learning algorithms: data from the araraquara cohort study. BMC Pregnancy and Childbirth, 25(1):320.

World Health Organization (2012). Born Too Soon: The Global Action Report on Preterm Birth. World Health Organization, Geneva, Switzerland.