Avanços na Saúde pública por meio da inteligência artificial: Análise preditiva do risco de consumo de drogas ilícitas entre adolescentes brasileiros através da Machine Learning

Introdução: Machine Learning (ML) é uma área da inteligência artificial inspirada nas redes neurais biológicas do cérebro humano. Ela permite o desenvolvimento de algoritmos capazes de aprender a partir de dados, sem a necessidade de programação explícita. O avanço dessa técnica tem sido significativo, possibilitando, entre outras coisas, a predição de riscos em saúde. Este estudo, propõe o desenvolvimento de um modelo preditivo para compreender e prever o consumo de drogas ilícitas entre adolescentes brasileiros de 13 a 17 anos, com base em padrões de comportamento com o objetivo de fornecer subsídios para a promoção de políticas públicas mais eficazes na área da saúde coletiva. Métodos: Este estudo observacional e transversal utilizou dados de 165.838 estudantes da Pesquisa Nacional de Saúde Escolar (PeNSE) 2019 colocando-o em diversos modelos para comparar o desempenho de cada um deles. O desfecho investigado foi a resposta à pergunta sobre o uso de drogas ilícitas. Foram selecionadas variáveis sociodemográficas e comportamentais como preditoras, incluindo sexo, idade, planos futuros, uso de álcool e tabaco, condições de moradia, posse de bens, nível de escolaridade dos pais e hábitos familiares. Resultados: Baseado nos dados obtidos, o modelo Random Forest foi o escolhido para avaliação da importância das variáveis, por possuir alta área sob a curva ROC. Com base em sua análise as variaveis mais impactantes para a predição foram uso de álcool, nível de escolaridade da mãe, presença de colegas e pais prestativos e uso de álcool pelos pais. Discussão: Os resultados obtidos estão de acordo com os estudos recentes que avaliam a capacidade dos modelos de ML para predição de risco. Ademais eles estão de acordo com os dados epidemiológicos mais recentes. Conclusão: A utilização da Machine Learning é valida e pode nortear políticas públicas, direcionando recursos a resolução dos fatores de risco mais impactantes.