Resumo: A mortalidade neonatal é influenciada por uma combinação de fatores biológicos, socioeconômicos e assistenciais, tornando a análise quantitativa deste problema um desafio que envolve o processamento de grandes conjuntos de dados oriundos de diversas fontes. A aplicação de técnicas de Aprendizado de Máquina tem se mostrado eficaz para abordar problemas complexos dessa natureza. Este estudo tem como objetivo investigar os fatores associados ao risco de mortalidade neonatal, utilizando informações demográficas e epidemiológicas disponíveis nos sistemas de informação de estatísticas vitais, em um período e localidade específicos, por meio de técnicas avançadas de ML. Os dados utilizados no estudo foram extraídos do Sistema de Informações sobre Nascidos Vivos (SINASC) e do Sistema de Informação de Mortalidade (SIM), abrangendo nascimentos e óbitos neonatais na cidade do Rio de Janeiro de 2014 a 2015. A vinculação dos bancos de dados foi realizada utilizando abordagens determinísticas e probabilísticas de linkage. Como resultado primário, foi desenvolvido um modelo preditivo capaz de estimar o risco de mortalidade neonatal, identificando e quantificando os principais fatores associados. Os métodos aplicados, incluindo Regressão Logística, Naive Bayes, XGBoost e One-Class SVM, demonstraram diferentes vantagens. Os resultados indicam que a qualidade do cuidado pré-natal, as condições socioeconômicas das famílias e a disponibilidade de serviços de saúde são determinantes cruciais da mortalidade neonatal. A análise revelou padrões complexos que modelos tradicionais não capturam plenamente, evidenciando a importância de técnicas avançadas de análise de dados para identificar determinantes críticos. Este estudo também ressalta a necessidade de esforços contínuos na coleta e análise de dados precisos e abrangentes, bem como a importância de investimentos em infraestrutura de saúde, educação e políticas sociais. A integração de ciência de dados com a epidemiologia e a demografia surge como uma estratégia eficaz para enfrentar desafios complexos como a mortalidade neonatal, oferecendo insights valiosos para a formulação de políticas públicas de saúde Ver menos

Abstract: Neonatal mortality is influenced by a combination of biological, socioeconomic, and healthcare factors, making the quantitative analysis of this issue a challenging task that involves processing large datasets from various sources. The application of Machine Learning (ML) techniques has proven effective in addressing complex problems of this nature. This study aims to investigate the factors associated with the risk of neonatal mortality, using demographic and epidemiological information available in vital statistics information systems, over a specific period and location, through advanced ML techniques. The data used in the study were extracted from the Live Birth Information System (SINASC) and the Mortality Information System (SIM), covering births and neonatal deaths in the city of Rio de Janeiro from 2014 to 2015. The linkage of the databases was performed using both deterministic and probabilistic linkage approaches. As a primary outcome, a predictive model was developed to estimate the risk of neonatal mortality, identifying and quantifying the main associated factors. The methods applied, including Logistic Regression, Naive Bayes, XGBoost, and One-Class SVM, demonstrated various advantages. The results indicate that the quality of prenatal care, the socioeconomic conditions of families, and the availability of healthcare services are crucial determinants of neonatal mortality. The analysis revealed complex patterns that traditional models do not fully capture, highlighting the importance of advanced data analysis techniques to identify critical determinants. This study also underscores the need for continuous efforts in the collection and analysis of accurate and comprehensive data, as well as the importance of investments in healthcare infrastructure, education, and social policies. The integration of data science with epidemiology and demography emerges as an effective strategy to tackle complex challenges like neonatal mortality, offering valuable insights for the formulation of public health policies Ver menos