Um modelo de aprendizado de máquina, desenvolvido por pesquisadores da Noakhali Science and Technology University, prevê risco de doenças transmitidas pela água em domicílios de áreas alagadas de Noakhali e Feni, no Bangladesh, com base em entrevistas a 501 famílias.
Metodologia e dados
O estudo, publicado na PLOS Water, é um estudo transversal conduzido nos dois distritos do Bangladesh que sofrem repetidamente com enchentes.
Os autores aplicaram 501 entrevistas presenciais, feitas com amostragem aleatória simples, para coletar informações em cada domicílio.
Após a coleta, os dados passaram por pré-processamento, análise de correlação, avaliação do fator de inflação da variância (VIF), análise de informação mútua e eliminação recursiva de características com validação cruzada (RFECV), que selecionou dez variáveis-chave: idade, gênero, renda mensal do domicílio, tamanho do domicílio, frequência de enchentes, gravidade da enchente, fonte de água potável, disponibilidade de assistência médica, método de purificação de água e preparo da comunidade para prevenção de doenças transmitidas pela água.
Cinco algoritmos foram testados — Regressão Logística, Floresta Aleatória, Máquina de Vetores de Suporte, K-Vizinhos Mais Próximos e XGBoost — cada um ajustado por busca aleatória de hiperparâmetros com validação cruzada de cinco dobras.
A acurácia, precisão, recall, especificidade, F1-score, área sob a curva ROC (ROC-AUC), intervalos de confiança bootstrap e interpretação baseada em SHAP foram usados para medir o desempenho dos modelos no conjunto de teste independente.
Desempenho do Random Forest
Entre os algoritmos testados, a Floresta Aleatória foi a que teve o desempenho mais equilibrado, segundo o estudo publicado na PLOS Water.
No conjunto de teste, a Floresta Aleatória atingiu acurácia de 61,4%, precisão de 71,9%, recall de 64,1%, especificidade de 56,8%, F1-score de 67,8% e ROC-AUC de 0,643.
Ao mesmo tempo em que a capacidade de discriminar entre casos e não casos é moderada, os autores consideram que o modelo oferece uma combinação razoável de sensibilidade e especificidade para ser usado em alertas precoces.
A interpretação SHAP apontou que gravidade da enchente, preparo da comunidade, práticas de purificação de água e fatores socioeconômicos são os preditores mais influentes no risco de doença.
Implicações e disponibilidade
Os autores também testaram modelos de ensemble (stacking e votação suave ponderada), mas nenhum superou a Floresta Aleatória isolada.
O framework explicável proposto pode, após validação externa, apoiar intervenções direcionadas e sistemas de alerta precoce em áreas propensas a enchentes.
Todas as análises foram feitas em Python, e o conjunto de dados está disponível em https://doi.org/10.6084/m9.figshare.33059051.
O pesquisador principal recebeu financiamento da Célula de Pesquisa da Universidade de Ciência e Tecnologia de Noakhali, Bangladesh; os financiadores não influenciaram o desenho do estudo, a coleta de dados, as análises, a decisão de publicação ou a redação do manuscrito.
Os autores declararam ausência de conflitos de interesse.
