Inteligência Artificial na Análise de Dados Clínicos da Hemorragia Puerperal: Estratégias de Risco e Predição
Resumo
A hemorragia pós-parto (HPP) é responsável por 14,2% das mortes maternas no Brasil (1997–2009). Este estudo desenvolve modelos de aprendizado de máquina para predição de HPP utilizando dados de um hospital público brasileiro (2024), no qual as informações clínicas estão predominantemente registradas em narrativas textuais não estruturadas em português. Foram analisados 3.162 partos, com a implementação de um pipeline híbrido combinando extração baseada em expressões regulares e mineração de texto via TF-IDF, resultando na engenharia de 52 atributos a partir de cinco variáveis. Na avaliação de 20 configurações (5 algoritmos × 4 estratégias de balanceamento), o Random Forest sem balanceamento obteve 60,8% de recall, 31,7% de precisão e AUC-ROC de 0,746, apesar do forte desbalanceamento de classes (11,8% de prevalência). A análise de importância das variáveis confirmou atonia uterina (20%) e anemia (15%) como principais fatores associados, com atributos derivados de texto representando 85% do poder preditivo do modelo.
Referências
American College of Obstetricians and Gynecologists. Practice bulletin no. 183: Postpartum hemorrhage. Obstetrics & Gynecology, 130(4):e168–e186, 2017. URL [link].
T. Baêta. Estudo da hemorragia pós-parto com modelos de aprendizagem de máquina em busca de aprimorar os perfis de risco. Dissertação de mestrado em andamento, universidade federal de minas gerais, belo horizonte, brasil, Universidade Federal de Minas Gerais, Belo Horizonte, Brasil, 2025.
S. Holcroft, I. Karangwa, F. Little, J. Behoor, e O. Bazirete. Predictive modelling of postpartum haemorrhage using early risk factors: A comparative analysis of statistical and machine learning models. International Journal of Environmental Research and Public Health, 21(5):600, 2024.
P. Jun-Yu, W. Ling, L. Kai-Feng, e X. Sheng-Yun. Risk of postpartum hemorrhage in an ethnic minority region: Prediction results based on iterative machine learning. J Clin Images Med Case Rep, 5(12):3379, 2024.
B. J. Lengerich, R. Caruana, I. Painter, W. B. Weeks, K. Sitcov, e V. Souter. Interpretable machine learning predicts postpartum hemorrhage with severe maternal morbidity in a lower-risk laboring obstetric population. American Journal of Obstetrics & Gynecology MFM, 6(8), Aug 2024. ISSN 2589-9333. DOI: 10.1016/j.ajogmf.2024.101391.
R. I. L. Martins, J. d. S. M. Novais, e Z. S. N. Reis. Postpartum hemorrhage in electronic health records: risk factors at admission and in-hospital occurrence. Revista Brasileira de Ginecologia e Obstetrícia, 46:e–rbgo14, 2024.
E. Mavrides, S. Allard, E. Chandraharan, P. Collins, L. Green, B. J. Hunt, S. Riris, e A. J. Thomson. Prevention and management of postpartum haemorrhage. BJOG: An International Journal of Obstetrics & Gynaecology, 124(5):e106–e149, 2017. DOI: 10.1111/1471-0528.14178. URL [link].
OPAS. Recomendações Assistenciais Para Prevenção, Diagnóstico E Tratamento Da Hemorragia, 2018. URL [link].
L. Say, D. Chou, A. Gemmill, Ö. Tunçalp, A.-B. Moller, J. Daniels, A. M. Gülmezoglu, M. Temmerman, e L. Alkema. Global causes of maternal death: a who systematic analysis. The Lancet global health, 2(6):e323–e333, 2014.
E. G. Woo, I. Zighelboim, T. Gifford, J. G. Bell, H. Milthorpe, E. Alsentzer, R. E. Longman, J. E. Tolosa, e B. K. Beaulieu-Jones. Leveraging large language models to develop an interpretable prediction model for postpartum hemorrhage prior to the onset of labor. medRxiv, pages 2025–03, 2025.
World Health Organization. WHO recommendations on the assessment of postpartum blood loss and use of a treatment bundle for postpartum haemorrhage. World Health Organization, Geneva, 2023. ISBN 978-92-4-008539-8. URL [link]. Licence: CC BY-NC-SA 3.0 IGO.
World Health Organization. Second global call for data on postpartum haemorrhage. WHO News Room, 2024. URL [link].
