Modelos Estatísticos e de Aprendizado de Máquina na Identificação de Fatores de Risco da Leishmaniose Tegumentar Americana no Brasil

• Guto Leoni Santos UFPE
• Vanderson Sampaio ITPS

DOI: https://doi.org/10.5753/sbcas_estendido.2026.26497

Resumo

A leishmaniose tegumentar americana (LTA) é uma doença tropical negligenciada endêmica no Brasil, com mais de 350 mil casos notificados entre 2007 e 2025. Este estudo compara o desempenho de modelos estatísticos tradicionais (Regressão de Cox) e abordagens de aprendizado de máquina (Random Survival Forest, Extra Survival Trees) na identificação de fatores de risco para óbito e abandono de tratamento em pacientes com LTA. Utilizando dados do Sistema de Informação de Agravos de Notificação (SINAN), avaliamos seis modelos de sobrevivência por meio do índice de concordância (C-index). Para o desfecho de óbito, o modelo de Cox obteve o maior C-index (0,896), enquanto para abandono de tratamento todos os modelos apresentaram discriminação moderada. Os resultados sugerem que modelos tradicionais permanecem competitivos para dados epidemiológicos estruturados com relações de risco lineares.

Referências

Alvar, J., Vélez, I. D., Bern, C., Herrero, M., Desjeux, P., Cano, J., Jannin, J., and den Boer, M. (2012). Leishmaniasis worldwide and global estimates of its incidence. PLoS ONE, 7(5):e35671.

Christodoulou, E., Ma, J., Collins, G. S., Steyerberg, E. W., Verbakel, J. Y., and Calster, B. V. (2019). A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models. Journal of Clinical Epidemiology, 110:12–22.

Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2):187–220.

Geurts, P., Ernst, D., and Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1):3–42.

Goto, H. and Lindoso, J. A. L. (2010). Current diagnosis and treatment of cutaneous and mucocutaneous leishmaniasis. Expert Review of Anti-infective Therapy, 8(4):419–433.

Harrell, F. E., Lee, K. L., and Mark, D. B. (1996). Multivariable prognostic models: Issues in developing models, evaluating assumptions and adequacy, and measuring and reducing errors. Statistics in Medicine, 15(4):361–387.

Ishwaran, H., Kogalur, U. B., Blackstone, E. H., and Lauer, M. S. (2008). Random survival forests. The Annals of Applied Statistics, 2(3):841–860.

Kaplan, E. L. and Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282):457–481.

Ministério da Saúde (2017). Manual de vigilância da leishmaniose tegumentar. Secretaria de Vigilância em Saúde.

Ministério da Saúde (2024). Sistema de informação de agravos de notificação – SINAN. Disponível em: [link].

Pölsterl, S. (2020). scikit-survival: A library for time-to-event analysis built on top of scikit-learn. Journal of Machine Learning Research, 21(212):1–6.

Rubin, D. B. (1976). Inference and missing data. Biometrika, 63(3):581–592.

Simon, N., Friedman, J., Hastie, T., and Tibshirani, R. (2011). Regularization paths for cox’s proportional hazards model via coordinate descent. Journal of Statistical Software, 39(5):1–13.

World Health Organization (2024). Leishmaniasis: Fact sheet. WHO Media Centre. Disponível em: [link].