Santos HG, Nascimento CF, Izbicki R, Duarte YAO, Chiavegatto Filho ADP. Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil. Cad Saúde Pública 2019; 35(7):e00050818.

doi:10.1590/0102-311xer050818

Saúde Pública

Cadernos de Saúde Pública

Español English

Saúde Pública

Español English

home do periodico

sumário « anterior atual seguinte »

sumário atual

PDF

Sumário PDF

Atual

ERRATUM • Cad. Saúde Pública 36 (1) 20 Jan 20202020 • https://doi.org/10.1590/0102-311XER050818 copiar

Esta errata corrige:

10.1590/0102-311X00050818

Santos HG, Nascimento CF, Izbicki R, Duarte YAO, Chiavegatto Filho ADP. Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil. Cad Saúde Pública 2019; 35(7):e00050818.

A revista foi informada sobre erros na Tabela 2. As correções seguem abaixo:

Onde se lê:

Thumbnail

Tabela 2
Aprendizado (treinamento) e avaliação (teste) de modelos preditivos.

Leia-se:

Thumbnail

Tabela 2
Aprendizado (treinamento) e avaliação (teste) de modelos preditivos.

Datas de Publicação

Publicação nesta coleção
20 Jan 2020
Data do Fascículo
2020

Histórico

Recebido
25 Nov 2019
Revisado
06 Dez 2019
Aceito
01 Jan 2020

Este é um artigo publicado em acesso aberto sob uma licença Creative Commons

Algoritmos	Regressão logística	Regressão logística com penalização	Redes neurais	Gradient boosted trees	Random Forest
TREINAMENTO (resultados para o melhor modelo)
Hiperparâmetros otimizados	-	alpha = 1	size = 3	nrounds = 100	mtry = 7
		lambda = 0,003	decay = 2	maxdepth = 1
				eta = 0,3
AUC ROC Média (dp) da validação cruzada	0,803 *	0,766 (0,07)	0,767 (0,06)	0,765 (0,07)	0,738 (0,05)
Ranking de importância das variáveis
1	Idade	Dificuldade para tomar banho	Idade	Idade	Idade
2	Consumo de tabaco	Idade	Dificuldade para tomar banho	Dificuldade para tomar banho	Mini Exame do Estado Mental
3	Dificuldade para tomar banho	Consumo de tabaco	Consumo de tabaco	Índice de massa corporal	Dificuldade para ir ao banheiro
4	Sexo	Dificuldade para comer	Dificuldade para ir ao banheiro	Sexo	Dificuldade para tomar banho
5	Diabetes mellitus	Sexo	Diabetes mellitus	Mini Exame do Estado Mental	Sexo
Teste
AUC (IC95%)	0,773 (0,732; 0,814)	0,777 (0,735; 0,818)	0,779 (0,738; 0,820)	0,768 (0,724; 0,813)	0,744 (0,699; 0,789)
Pontos de corte para p (risco predito)
p = 0,5
S (VP)	0,144 (17)	0,130 (15)	0,08 (10)	0,144 (17)	0,110 (13)
1 - E (FP)	0,03 (21)	0,026 (18)	0,020 (13)	0,026 (18)	0,019 (13)
p ótimo **
S (VP)	0,653 (77)	0,670 (79)	0,703 (83)	0,712 (84)	0,700 (79)
1 - E (FP)	0,251 (172)	0,253 (173)	0,300 (205)	0,304 (208)	0,328 (238)
p 10% com risco mais alto **
S (VP)
1 - E (FP)
Óbitos observados segundo o risco predito
n (%) entre os 10% com risco mais alto	34 (28,814)	36 (30,508)	32 (27,119)	34 (28,814)	33 (27,966)
n (%) entre os 10% com risco mais baixo ***	-	-	-	-	-

Algoritmos	Regressão logística	Regressão logística com penalização	Redes neurais	Gradient boosted trees	Random Forest
TREINAMENTO (resultados para o melhor modelo)
Hiperparâmetros otimizados	-	alpha = 1	size = 3	nrounds = 100	mtry = 7
		lambda = 0,003	decay = 2	maxdepth = 1
				eta = 0,3
AUC ROC Média (dp) da validação cruzada	0,803 *	0,766 (0,07)	0,767 (0,06)	0,765 (0,07)	0,738 (0,05)
Ranking de importância das variáveis
1	Idade	Dificuldade para tomar banho	Idade	Idade	Idade
2	Consumo de tabaco	Idade	Dificuldade para tomar banho	Dificuldade para tomar banho	Mini Exame do Estado Mental
3	Dificuldade para tomar banho	Consumo de tabaco	Consumo de tabaco	Índice de massa corporal	Dificuldade para ir ao banheiro
4	Sexo	Dificuldade para comer	Dificuldade para ir ao banheiro	Sexo	Dificuldade para tomar banho
5	Diabetes mellitus	Sexo	Diabetes mellitus	Mini Exame do Estado Mental	Sexo
Teste
AUC (IC95%)	0,773 (0,732; 0,814)	0,777 (0,735; 0,818)	0,779 (0,738; 0,820)	0,768 (0,724; 0,813)	0,744 (0,699; 0,789)
Pontos de corte para p (risco predito)
p = 0,5
S (VP)	0,144 (17)	0,130 (15)	0,08 (10)	0,144 (17)	0,110 (13)
1 - E (FP)	0,03 (21)	0,026 (18)	0,020 (13)	0,026 (18)	0,019 (13)
p ótimo **
S (VP)	0,653 (77)	0,670 (79)	0,703 (83)	0,712 (84)	0,700 (79)
1 - E (FP)	0,251 (172)	0,253 (173)	0,300 (205)	0,304 (208)	0,328 (238)
p 10% com risco mais alto
S (VP)	0,288 (34)	0,305 (36)	0,271 (32)	0,288 (34)	0,280 (33)
1 - E (FP)	0,067 (46)	0,064 (44)	0,070 (48)	0,066 (45)	0,066 (45)
Óbitos observados segundo o risco predito
n (%) entre os 10% com risco mais alto	34 (28,814)	36 (30,508)	32 (27,119)	34 (28,814)	33 (27,966)
n (%) entre os 10% com risco mais baixo ***	-	-	-	-	-

Escola Nacional de Saúde Pública Sergio Arouca, Fundação Oswaldo Cruz Rio de Janeiro - RJ - Brazil
E-mail: cadernos@ensp.fiocruz.br

Acompanhe os números deste periódico no seu leitor de RSS

[1] dp: desvio padrão; E: especificidade; FP: falso positivo; IC95%: intervalo de 95% de confiança; S: sensibilidade; VP: verdadeiro positivo.

[2] * AUC ROC do ajuste do modelo uma única vez aos dados de treinamento;

[3] ** Ponto de corte que maximiza a sensibilidade e a especificidade. Varia de acordo com o modelo preditivo;

[4] *** Nenhum óbito observado entre os 10% de indivíduos com menor risco para o desfecho.