Auditoria de Negligência Preditiva em Sistemas de Vigilância Digital: Um Protocolo Estagiado para Mitigação de Vieses em Saúde Pública

• Martony Demes da Silva UFPI
• Críssia Kelry Araujo Cruz UFPI
• Mauro Barros Silva UFPI
• Keylla Maria Sá Urtiga Aita UFPI

DOI: https://doi.org/10.5753/sbcas_estendido.2026.25297

Resumo

Em sistemas de vigilância digital, a acurácia global frequentemente mascara falhas na detecção de classes minoritárias, fenômeno conhecido como o paradoxo da acurácia. Este trabalho investiga a insuficiência preditiva em modelos Multi-Layer Perceptron (MLP) sob a ótica da saúde pública. Propõe-se um protocolo de auditoria em quatro estágios fundamentado no referencial KDD, integrando otimização de hiperparâmetros, regularização L2 e equidade algorítmica via SMOTE. Os resultados demonstram que, embora o modelo baseline apresentasse elevada acurácia nominal, ele apresentou uma elevada taxa de omissão diagnóstica, falhando em identificar 66 de 72 casos malignos (Recall de 8,33%). A aplicação do protocolo elevou a sensibilidade para 94,44%, reduzindo o risco residual para 4 falsos negativos. A robustez estatística foi validada pelo teste de McNemar (χ² = 60,01; p < 0,001), comprovando que a mitigação do viés algorítmico viabiliza a transição para um monitoramento confiável aplicado à saúde pública.

Referências

Assiri, A. S. (2023). Deep learning systems for cancer diagnosis: A review. Cancers, 15(11):2995.

Bray, F. et al. (2024). Global cancer statistics 2024: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 74(3):229–263.

Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, P. W. (2002). Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16:321–357.

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37–37.

Ghiasi, M., Zendehboudi, S., et al. (2024). Optimization of machine learning models for breast cancer screening. Computers in Biology and Medicine, 168:107780.

Haque, M. E. et al. (2022). Performance analysis of machine learning and deep learning algorithms for breast cancer detection. Journal of Healthcare Engineering, 2022:1–15.

He, H. and Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9):1263–1284.

INCA (2023). Estimativa 2023: incidência de câncer no Brasil. Instituto Nacional de Câncer, Rio de Janeiro.

Johnson, J. M. and Khoshgoftaar, T. M. (2019). Survey on deep learning with class imbalance. Journal of Big Data, 6(1):1–54.

Sarker, I. H. (2022). Ai-based modeling in healthcare: Challenges and opportunities. Informatics in Medicine Unlocked, 31:101000.

Zhou, Z.-H. (2012). Ensemble Methods: Foundations and Algorithms. CRC Press, Boca Raton.