Machine learning revela subnotificação de mortes por Covid-19 nos EUA

Estudo na Science Advances usa machine learning em registros médicos para identificar mortes por Covid-19 não reconhecidas oficialmente nos EUA. A análise encontrou lacuna significativa entre causas declaradas e padrões clínicos, revelando subnotificação nacional. Implicações fortes para políticas públicas e startups de health tech.

Identificando subnotificação com machine learning

Dados oficiais de mortalidade por Covid-19 têm inconsistências como atestados incompletos. O estudo treinou modelo de classificação com pacientes confirmados, para reconhecer padrões de sintomas e evolução. Aplicado a todos os óbitos, o modelo sinalizou casos de alta probabilidade sem confirmação laboratorial, sugerindo número real maior de mortes.

Metodologia e resultados

A equipe analisou centenas de milhares de registros hospitalares, extraindo features como comorbidades e progressão. O modelo alcançou alta precisão. Resultados indicam subnotificação substancial, alterando a compreensão do impacto da pandemia. A abordagem é replicável para outras condições com dados incompletos.

Oportunidades para health tech e políticas públicas

Startups de health tech podem usar metodologias similares para vigilância epidemiológica em tempo real, avaliação de intervenções, identificação de populações desatendidas e alocação de recursos. Extrair insights de dados não estruturados é diferencial competitivo.

Para o setor público, a IA oferece decisões mais embasadas, mas exige privacidade e validação clínica. Este estudo mostra como a IA corrige falhas sistêmicas em dados governamentais, com impacto real em vidas e políticas.