O modelo de IA pode prever taxas seis meses antes de se tornarem críticas

Globalmente, quase metade das mortes de crianças menores de cinco anos estão ligadas à desnutrição. No Quénia, é a principal causa de doença e morte entre as crianças.

Crianças com desnutrição geralmente apresentam sinais de perda de peso recente e grave. Eles também podem ter tornozelos e pés inchados. A desnutrição aguda entre as crianças é geralmente o resultado de uma ingestão insuficiente de alimentos ou de doenças infecciosas, especialmente diarreia.

A desnutrição aguda enfraquece o sistema imunológico da criança. Isso pode levar ao aumento da suscetibilidade a doenças infecciosas como pneumonia. Também pode causar doenças mais graves e aumentar o risco de morte.

Actualmente, a resposta nacional queniana à malnutrição, implementada pelo Ministério da Saúde, baseia-se em tendências históricas de malnutrição. Isto significa que se forem notificados casos de desnutrição num determinado mês, o ministério prevê uma repetição durante um mês semelhante nos anos subsequentes. Atualmente, nenhuma modelagem estatística orienta as respostas, o que limitou a sua precisão.

O Ministério da Saúde recolhe dados mensais sobre indicadores relacionados com a nutrição e outras condições de saúde há muitos anos.

A nossa equipa multidisciplinar decidiu explorar se poderíamos utilizar estes dados para ajudar a prever onde, geograficamente, a desnutrição infantil poderia ocorrer num futuro próximo. Nosso objetivo era uma previsão mais precisa do que o método existente.

Desenvolvemos um modelo de aprendizagem automática para prever a desnutrição aguda entre crianças no Quénia. Um modelo de aprendizado de máquina é um tipo de modelo matemático que, uma vez “treinado” em um conjunto de dados existente, pode fazer previsões de resultados futuros. Utilizámos dados existentes e melhorámos as capacidades de previsão, incluindo fontes de dados complementares, tais como imagens de satélite que fornecem um indicador da saúde das culturas.

Descobrimos que os modelos baseados em aprendizagem automática superaram consistentemente as plataformas existentes utilizadas para prever as taxas de desnutrição no Quénia. E descobrimos que os modelos com recursos baseados em satélite funcionavam ainda melhor.

Os nossos resultados demonstram a capacidade dos modelos de aprendizagem automática para prever com mais precisão a desnutrição no Quénia com até seis meses de antecedência a partir de uma variedade de indicadores.

Se tivermos conhecimento prévio dos locais onde a desnutrição é susceptível de ser elevada, os escassos recursos podem ser atribuídos a estas áreas de alto risco em tempo útil para tentar evitar que as crianças fiquem desnutridas.

Como fizemos isso

Utilizamos dados clínicos do Sistema de Informação de Saúde do Quénia. Isto incluiu dados sobre tratamento de diarreia e baixo peso ao nascer. Recolhemos dados sobre crianças que visitaram uma unidade de saúde que correspondiam à definição de desnutrição aguda, entre outros indicadores clínicos relevantes.

Dado que a insegurança alimentar é um factor-chave da desnutrição aguda, também incorporámos dados que reflectem a actividade agrícola nos nossos modelos. Utilizámos um satélite da NASA para analisar a produtividade primária bruta, que mede a taxa a que as plantas convertem a energia solar em energia química. Isto fornece um indicador aproximado da saúde e produtividade da colheita. Taxas médias mais baixas podem ser uma indicação precoce de escassez de alimentos.

Testámos vários métodos e modelos para prever o risco de desnutrição entre crianças no Quénia, utilizando dados recolhidos de Janeiro de 2019 a Fevereiro de 2024.

O modelo de aprendizagem automática de aumento de gradiente – treinado em resultados anteriores de desnutrição aguda e medições de produtividade primária bruta – revelou-se o modelo mais eficaz para prever a desnutrição aguda entre crianças.

Este modelo pode prever onde e em que nível de prevalência a desnutrição aguda entre crianças é provável que ocorra dentro de um mês com uma precisão de 89%.

Todos os modelos que desenvolvemos tiveram um bom desempenho onde se esperava que a prevalência da desnutrição infantil aguda fosse superior a 30%, por exemplo, no norte e no leste do Quénia, que têm climas secos. No entanto, quando a prevalência era inferior a 15%, por exemplo, no oeste e centro do Quénia, apenas os modelos de aprendizagem automática foram capazes de prever com boa precisão.

Esta maior precisão é alcançada porque os modelos utilizam informações adicionais sobre múltiplos fatores clínicos. Eles podem, portanto, encontrar relacionamentos mais complexos.

Implicações

Os actuais esforços para prever a desnutrição aguda entre as crianças baseiam-se apenas no conhecimento histórico dos padrões de desnutrição. Descobrimos que essas previsões eram menos precisas do que nossos modelos.

Os nossos modelos aproveitam padrões históricos de desnutrição, bem como indicadores clínicos e indicadores baseados em satélite.

O desempenho de previsão dos nossos modelos também é melhor do que outros esforços semelhantes de modelagem baseada em dados publicados por outros pesquisadores.

À medida que os recursos para a saúde e a nutrição diminuem, é fundamental melhorar a orientação para as áreas de maior necessidade. O tratamento da desnutrição aguda pode salvar a vida de uma criança.

A prevenção da desnutrição promove o pleno desenvolvimento psicológico e físico das crianças.

O que precisa acontecer a seguir

Disponibilizar estes dados de diversas fontes através de um painel poderia informar a tomada de decisões. Os socorristas poderão ter seis meses para intervir onde forem mais necessários.

Desenvolvemos um protótipo de painel para criar visualizações do que os respondentes seriam capazes de ver com base nas previsões do nosso modelo em nível de subcondado. Estamos actualmente a trabalhar com o Ministério da Saúde do Quénia e com a Amref Health Africa, uma ONG de desenvolvimento da saúde, para garantir que o painel esteja disponível para os decisores e partes interessadas locais. É atualizado regularmente com os dados mais atuais e novas previsões.

Estamos também a trabalhar com os nossos parceiros para aperfeiçoar o painel de instrumentos para satisfazer as necessidades dos utilizadores finais e promover a sua utilização na tomada de decisões nacionais sobre respostas à desnutrição aguda entre as crianças. Estamos monitorando os impactos deste trabalho.

Ao longo deste processo, será importante reforçar a capacidade dos nossos parceiros para gerir, atualizar e utilizar o modelo e o dashboard. Isto promoverá a capacidade de resposta local, a apropriação e a sustentabilidade.

Aumentando a escala

O Sistema de Informação Sanitária do Quénia depende do Sistema Distrital de Informação Sanitária 2 (DHIS2). Esta é uma plataforma de software de código aberto. Atualmente é usado por mais de 80 países de baixa e média renda. Os dados de satélite que utilizámos nos nossos modelos também estão disponíveis em todos estes países.

Se conseguirmos obter financiamento adicional, planeamos expandir o nosso trabalho geograficamente e para outras áreas da saúde. Também disponibilizamos publicamente o nosso código, o que permite a qualquer pessoa utilizá-lo e replicar o nosso trabalho noutros países onde a desnutrição infantil é um desafio de saúde pública.

Além disso, o nosso modelo prova que os dados DHIS2, apesar dos desafios relacionados com a sua integridade e qualidade, podem ser utilizados em modelos de aprendizagem automática para informar as respostas de saúde pública. Este trabalho poderia ser adaptado para abordar questões de saúde pública além da desnutrição, como mudanças nos padrões de doenças infecciosas devido às alterações climáticas.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.