Predição do não comparecimento às visitas de vacinação utilizando aprendizado de máquina

• Ano de defesa: 2025
• Autor(a) principal: Ferreira, Vinícius Leati de Rossi
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmos de Predição; Aprendizado de Máquina; Child Health; Cobertura Vacinal; Electronic Health Records; Machine Learning; Prediction Algorithms; Registros Eletrônicos de Saúde; Saúde da Criança; Vaccination; Vaccination Coverage; Vacinação
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-01092025-150932/

Introdução: Modelos preditivos utilizando aprendizado de máquina podem ser ferramentas para otimizar ações de vacinação dos serviços de saúde, a fim de alcançar maiores coberturas vacinais oportunas e diminuir o abandono do esquema vacinal. É apresentada uma abordagem inédita no contexto nacional e internacional para a predição do não comparecimento às visitas para vacinação programadas. Objetivo: Desenvolver modelos de aprendizado de máquina para predizer o não comparecimento de crianças às visitas para vacinação na idade recomendada durante os dois primeiros anos de vida entre residentes do Município de Araraquara. Métodos: Foram realizadas duas abordagens: (1) Análise descritiva das coberturas vacinais até 24 meses de idade com seis coortes de nascimento (2013 a 2018), de crianças cadastradas no Sistema Juarez como residentes de Araraquara no momento da extração dos dados (junho de 2022); (2) Modelagem preditiva, utilizando algoritmos de aprendizado de máquina para predição do não comparecimento às visitas para vacinação. Na primeira abordagem, foram calculadas as coberturas vacinais para todas as vacinas do calendário de rotina, além do esquema completo ao completar 12 e 24 meses de idade, segundo coorte de nascimento, considerando os critérios de avaliação de cada dose. Na segunda abordagem, foram criados modelos preditivos para as oito visitas para vacinação nas coortes estudadas, aos dois, três, quatro, cinco, seis, nove, 12 e 15 meses de idade. Os modelos foram desenvolvidos com os algoritmos Árvore de Decisão, Random Forest, LightGBM, XGBoost e Regressão Logística. O conjunto de dados foi composto por crianças cadastradas no sistema até a data da visita programada. Foram utilizadas as coortes de 2013 a 2016 para os conjuntos de treinamento e teste (divisão 80/20) para avaliar a capacidade de aprendizado sem sobreajuste do modelo, e a coorte de 2017 para avaliação da estabilidade temporal. Em seguida, os modelos foram recalibrados adicionando os dados de 2017 para a predição da coorte de 2018. Resultados: A população do estudo foi composta por 19.845 crianças nascidas entre 2013 e 2018 (93,65% do total de cadastrados). As coberturas das vacinas específicas se mantiveram altas no período analisado, atingindo a meta para todas, exceto a segunda dose de Tríplice Viral e a vacina Hepatite A. Apesar da manutenção de coberturas atualizadas elevadas, observou-se redução na oportunidade vacinal ao longo das coortes. Houve redução das coberturas oportunas e atualizadas do esquema completo. A modelagem preditiva mostrou a potencialidade dos modelos, os quais apresentaram bom desempenho, baixo risco de sobreajuste e estabilidade temporal para as visitas a partir dos quatro meses de idade. Apesar da dificuldade em prever ausências nas duas primeiras visitas, foi proposta uma ação de antecipação ao atraso vacinal a partir de dados descritivos. Conclusões: O estudo evidenciou o sucesso da imunização em Araraquara, com coberturas vacinais estáveis, mesmo em um período de queda das coberturas nacionais, e apresentou uma abordagem inovadora de busca ativa por meio de aprendizado de máquina. A metodologia proposta pode ser adaptada para outros municípios e estratégias de saúde, reforçando a eficiência da vacinação e reduzindo riscos à população.