La profesora de la maestría en economía, Roberta Wichmann, publicó junto con investigadores de la USP y miembros de la red IACOV-BR, el artículo Improving the performance of machine learning algoritmos for health results predictions in multicentric cohorts, en la revista Nature Scientific Reports . Scientific Reports es la quinta revista más citada del mundo, con más de 696.000 citas en 2021, y recibe una amplia atención en los documentos políticos y los medios de comunicación. ( https://www.nature.com/srep/ ).

La idea de la investigación surgió cuando los autores se preguntaron si el rendimiento predictivo de los modelos de aprendizaje automático podría mejorarse simplemente añadiendo más datos al entrenamiento en casos de predicciones en el área sanitaria. En otras palabras, ¿sería posible generalizar un modelo a diferentes hospitales de un estado o de diferentes regiones de Brasil? Por lo tanto, los autores probaron diferentes estrategias de entrenamiento para modelos de aprendizaje automático, desde entrenamiento local con datos de un solo hospital, hasta diferentes formas de agregación con datos de otros hospitales, para evaluar el rendimiento predictivo en la identificación del riesgo de muerte por COVID. -19 y de ser así, sería posible generalizar la predicción en diferentes regiones del país. 

¿Cómo se llevó a cabo el estudio? Luego se crearon 8 estrategias diferentes y se utilizaron datos de 18 hospitales de todas las regiones de Brasil para entrenar 3 modelos de aprendizaje automático (xgboost, catboost y lightgbm) con el fin de identificar la mejor estrategia que maximizara el rendimiento predictivo. 

“ En nuestro estudio, la mejor estrategia fue entrenar con datos de un solo hospital, obteniendo el mejor rendimiento en 11 (61%) de los 18 hospitales, aunque en algunos casos hubo mejor rendimiento predictivo al agregar más datos ” , señala dice la profesora Roberta . Por lo tanto, utilizar datos de un solo hospital puede dar como resultado un mejor rendimiento que agregar datos de diferentes hospitales con diferentes protocolos y diferencias socioeconómicas.

¡Felicitaciones a la profesora Roberta y a todos los autores y socios involucrados!