Uma abordagem de aprendizado profundo e aprendizado de máquina para prever a mortalidade neonatal no contexto de São Paulo

A deep learning and machine learning approach to predict neonatal death in the context of São Paulo

June 20, 2025

Autores: Mohon Raihan, Plabon Kumar Saha, Rajan Das Gupta, A Z M Tahmidul Kabir, Afia Anjum Tamanna, Md. Harun-Ur-Rashid, Adnan Bin Abdus Salam, Md Tanvir Anjum, A Z M Ahteshamul Kabir

cs.AI

Resumo

A mortalidade neonatal ainda é uma realidade preocupante em países subdesenvolvidos e até mesmo em alguns países desenvolvidos. Dados globais indicam que 26,693 bebês em cada 1.000 nascimentos morrem, de acordo com a Macro Trades. Para reduzir esse número, a previsão precoce de bebês em risco é crucial. Essa previsão permite a oportunidade de fornecer cuidados adequados à criança e à mãe, de modo que a morte precoce do bebê possa ser evitada. Nesse contexto, o aprendizado de máquina foi utilizado para determinar se um recém-nascido está em risco. Para treinar o modelo preditivo, foram utilizados dados históricos de 1,4 milhão de recém-nascidos. Técnicas de aprendizado de máquina e aprendizado profundo, como regressão logística, K-vizinhos mais próximos, classificador de floresta aleatória, boosting de gradiente extremo (XGBoost), rede neural convolucional e memória de longo e curto prazo (LSTM), foram implementadas usando o conjunto de dados para identificar o modelo mais preciso para prever a mortalidade neonatal. Entre os algoritmos de aprendizado de máquina, XGBoost e o classificador de floresta aleatória alcançaram a melhor precisão, com 94%, enquanto entre os modelos de aprendizado profundo, a LSTM obteve a maior precisão, com 99%. Portanto, o uso da LSTM parece ser a abordagem mais adequada para prever se medidas preventivas para uma criança são necessárias.

English

Neonatal death is still a concerning reality for underdeveloped and even some developed countries. Worldwide data indicate that 26.693 babies out of 1,000 births die, according to Macro Trades. To reduce this number, early prediction of endangered babies is crucial. Such prediction enables the opportunity to take ample care of the child and mother so that early child death can be avoided. In this context, machine learning was used to determine whether a newborn baby is at risk. To train the predictive model, historical data of 1.4 million newborns was used. Machine learning and deep learning techniques such as logical regression, K-nearest neighbor, random forest classifier, extreme gradient boosting (XGBoost), convolutional neural network, and long short-term memory (LSTM) were implemented using the dataset to identify the most accurate model for predicting neonatal mortality. Among the machine learning algorithms, XGBoost and random forest classifier achieved the best accuracy with 94%, while among the deep learning models, LSTM delivered the highest accuracy with 99%. Therefore, using LSTM appears to be the most suitable approach to predict whether precautionary measures for a child are necessary.