Estimando a razão de chances a partir das pontuações de saída de modelos de aprendizado de máquina: possibilidades e limitações

Por que isso importa para saúde e IA

Médicos e pesquisadores em saúde pública recorrem cada vez mais à inteligência artificial para descobrir como fatores ambientais, como temperatura ou poluição do ar, afetam nossa saúde. Mas, embora as ferramentas modernas de aprendizado de máquina sejam poderosas para prever quem pode adoecer, elas frequentemente não respondem a uma questão mais básica que preocupa clínicos e formuladores de políticas: em que grau uma dada exposição aumenta ou diminui o risco? Este estudo aborda essa lacuna ao mostrar como traduzir a saída opaca de modelos populares de aprendizado de máquina nas razões de chances familiares que sustentam grande parte da tomada de decisão médica e epidemiológica.

Das pontuações caixa‑preta ao risco compreensível

Na epidemiologia tradicional, um método consagrado chamado regressão logística relaciona uma exposição (por exemplo, tempo frio) e um desfecho de saúde (como internação) enquanto controla outros fatores como idade ou poluição. Sua principal força é a interpretabilidade: fornece diretamente uma razão de chances, que informa quantas vezes maiores (ou menores) são as chances de doença em um grupo em comparação com outro. Métodos modernos de aprendizado de máquina, como random forests e gradient boosting, conseguem capturar padrões muito mais complexos nos dados, mas geralmente retornam pontuações sem um significado direto para risco, dificultando reportar resultados numa linguagem em que clínicos confiam. Os autores propuseram conectar esses dois mundos.

Novas formas de ler o risco a partir de modelos de aprendizado de máquina

Os pesquisadores propuseram dez maneiras diferentes de recuperar razões de chances a partir das pontuações produzidas por classificadores de aprendizado de máquina. Oito desses estimadores “híbridos” partem das pontuações brutas ou calibradas do modelo — números entre zero e um que refletem quão provável é que cada pessoa tenha o desfecho — e então multiplicam um resumo simples dessas pontuações por um fator de ajuste derivado de um modelo de regressão logística convencional. Esse fator leva em conta diferenças de idade, estação e outras variáveis de contexto entre grupos expostos e não expostos. Dois estimadores adicionais dependem de funções de dependência parcial, uma ferramenta que pergunta, na prática, “o que o modelo preveria se todos tivessem o nível de exposição A versus o nível B, enquanto todo o resto permanecesse como observado?” Ao comparar essas previsões, os autores obtêm uma razão de chances baseada no modelo que reflete a visão do modelo de aprendizado de máquina sobre os dados.

Testando os métodos em questões reais de saúde

Para avaliar quão bem essas ideias funcionam, a equipe as aplicou a três modelos — regressão logística, random forest e gradient boosting — em dois grandes conjuntos epidemiológicos de Israel. Um acompanhou idosos internados com problemas respiratórios ou cardiovasculares, com foco em saber se temperaturas incomumente baixas aumentavam a chance de internação. O outro rastreou mais de 160.000 lactentes para examinar se temperaturas pré‑natais mais altas estavam associadas ao excesso de peso aos dois anos. Para cada combinação de conjunto de dados e modelo, calcularam dez estimativas de razão de chances e seus intervalos de incerteza, e compararam os resultados com os da regressão logística padrão, tratando-a como um referencial prático.

Quais ferramentas de aprendizado de máquina se comportaram melhor

Uma etapa chave no estudo foi a “calibração” — reformular as pontuações brutas dos modelos de aprendizado de máquina para que, por exemplo, entre pessoas atribuídas a 20% de risco, cerca de uma em cada cinco realmente tenham o desfecho. Os autores testaram três métodos comuns de calibração e descobriram que uma técnica simples chamada regressão isotônica frequentemente aproximava as pontuações de random forest e gradient boosting às probabilidades bem comportadas. Quando essas pontuações calibradas alimentaram seus estimadores de razão de chances, emergiu um padrão importante: as razões de chances derivadas do gradient boosting tenderam a alinhar‑se bem com as da regressão logística, com cerca de 87% das estimativas caindo dentro da faixa de confiança de 95% do modelo logístico e frequentemente produzindo intervalos de incerteza um pouco mais estreitos. Em contraste, random forests mostraram comportamento errático — muitas previsões colapsaram para 0 ou 1, o que tornou várias estimativas de razão de chances instáveis ou enganosas, mesmo após calibração.

O que isso significa para o uso de IA na saúde pública

O estudo demonstra que é possível aproveitar o poder preditivo dos modelos modernos de aprendizado de máquina sem sacrificar a interpretabilidade, ao menos sob condições comuns em pesquisas de saúde ambiental. Quando combinados com calibração cuidadosa e os estimadores propostos, modelos de gradient boosting podem fornecer razões de chances comparáveis — e às vezes mais precisas — às da regressão logística clássica. No entanto, nem todos os algoritmos de aprendizado de máquina são igualmente adequados a essa tarefa: random forests, em particular, podem exigir cautela extra ou estratégias alternativas quando usados para estimar tamanhos de efeito. Para formuladores de políticas e clínicos, a conclusão principal é que métodos avançados de IA não precisam permanecer caixas‑pretas — se usados com critério, podem gerar medidas de risco claras e familiares que apoiam decisões no mundo real.

Citação: Nirel, R., Bauman, N., Morin, E. et al. Estimating the odds ratio from the output scores of machine learning models: possibilities and limitations. Sci Rep 16, 8922 (2026). https://doi.org/10.1038/s41598-026-38150-1

Palavras-chave: razão de chances, aprendizado de máquina, epidemiologia, estimativa de risco, temperatura e saúde