MACHINE LEARNING NA SAÚDE PÚBLICA: PREDIÇÃO DO USO DE DROGAS ILÍCITAS ENTRE ADOLESCENTES BRASILEIROS

Resumo

INTRODUÇÃO: Machine Learning (ML) é uma área da inteligência artificial que permite o desenvolvimento de algoritmos capazes de aprender a partir de dados, sem programação explícita. O avanço dessas técnicas tem possibilitado aplicações importantes na saúde, incluindo a predição de riscos e comportamentos. 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, a partir de padrões sociodemográficos e comportamentais, com o objetivo de subsidiar políticas públicas mais eficazes na saúde coletiva. METODOLOGIA: Trata-se de um estudo observacional e transversal, baseado em dados de 165.838 estudantes da Pesquisa Nacional de Saúde Escolar (PeNSE) 2019. Foram comparados diferentes modelos de ML para identificar aquele com melhor desempenho na predição do uso de drogas ilícitas. As variáveis preditoras incluíram sexo, idade, planos futuros, uso de álcool e tabaco, condições de moradia, posse de bens, nível de escolaridade dos pais e hábitos familiares. RESULTADOS: Entre os modelos testados, a Regressão Logística apresentou a maior AUC-ROC (0,90), evidenciando melhor desempenho global. O Random Forest, entretanto, foi utilizado para avaliar a importância das variáveis devido à sua robustez interpretativa. Os principais fatores associados ao risco foram: uso de álcool, nível de escolaridade materna, apoio de colegas e pais, além do consumo de álcool pelos pais. DISCUSSÃO: Os achados confirmam o potencial da ML na identificação de padrões de risco, em consonância com estudos recentes e com os dados epidemiológicos nacionais. A inclusão de variáveis familiares e comportamentais reforça a relevância de estratégias preventivas voltadas ao ambiente escolar e doméstico. CONCLUSÃO: A aplicação de modelos de ML, especialmente a Regressão Logística, mostrou-se válida para prever o risco de consumo de drogas ilícitas em adolescentes. Esses resultados podem orientar políticas públicas direcionadas, priorizando fatores de risco modificáveis e otimizando o uso de recursos na saúde coletiva.