Modelo preditivo para resultados clínicos da tuberculose com Redes Neurais

Resumo

Objetivo: Este estudo propõe o desenvolvimento de um modelo baseado em Redes Neurais do tipo Multilayer Perceptron (MLP) para prever desfechos no tratamento da tuberculose, com ênfase na identificação de casos de cura e abandono. Métodos: Os dados foram pré-processados com imputação de ausentes, codificação categórica e normalização. Utilizou-se a técnica SMOTETomek para balanceamento. A arquitetura da MLP incluiu camadas densas com ativação ReLU, regularização com dropout (50%) e saída sigmoide. O modelo foi treinado com validação e avaliado com e sem balanceamento. Resultados: No cenário sem balanceamento, o modelo obteve acurácia macro de 0,6235, precisão de 0,9115, recall de 0,9781 e F1-macro de 0,6584, indicando viés em favor da majoritária. Com balanceamento, a acurácia micro e o F1-micro atingiram 0,8571. A precisão foi de 0,8857 e o recall reduziu-se para 0,8197. Na análise por classe, o modelo apresentou melhor desempenho ao prever abandono (F1 = 0,8623) em comparação com cura (F1 = 0,8514). Conclusões: O balanceamento de classes contribuiu para a melhoria do desempenho geral do modelo. O uso de MLP, aliado a estratégias técnicas de pré-processamento e balanceamento, mostrou-se eficaz na predição de desfechos no tratamento da tuberculose.