0404/2025 - Use of artificial intelligence and environmental data to estimate respiratory hospitalizations in support of SUS management Uso de inteligência artificial e dados ambientais na estimativa de internações respiratórias como apoio à gestão no SUS
This study developed a predictive model of hospital admissions due to respiratory diseases using environmental and meteorological data from São Paulo (2017–2022). It analyzed hospitalizations classified under ICD-10 codes J00–J99. Weekly public data on air pollutants (PM?.?, PM??, O?, NO?, SO?, CO) and climate variables (temperature, humidity, precipitation, among others) were used. The methodology included feature engineering (lags, moving averages, interactions, trend, seasonality), Lasso regression for variable selection, and application of the CatBoost algorithm optimized via GridSearchCV. The model showed strong performance (R² ? 0.895), with good accuracy in estimating healthcare demand. The Shapley Additive Explanations (SHAP) technique ensured model explainability, identifying the most influential predictors of respiratory admissions. The results highlight the potential of AI as a strategic Digital Health tool, especially for early outbreak detection and resource allocation within Brazil’s Unified Health System (SUS).
Palavras-chave:
Artificial Intelligence; Respiratory Tract Diseases; Air Pollution; Predictive Models; Unified Health System.
Abstract:
Este estudo desenvolveu um modelo preditivo de internações hospitalares por doenças respiratórias no estado de São Paulo, com base em dados ambientais e meteorológicos de 2017 a 2022. Foram analisadas internações segundo os códigos J00–J99 da CID-10. Utilizaram-se dados públicos organizados semanalmente sobre poluentes atmosféricos (PM₂.₅, PM₁₀, O₃, NO₂, SO₂, CO) e variáveis climáticas (temperatura, umidade, precipitação, entre outras). A metodologia envolveu engenharia de atributos (defasagens, médias móveis, interações, tendência, sazonalidade), seleção de variáveis com regressão Lasso e aplicação do algoritmo CatBoost, otimizado via GridSearchCV. O modelo apresentou bom desempenho (R² ≈ 0,895), com acurácia nas estimativas da demanda assistencial. A técnica SHAP (Explicações Aditivas de Shapley) foi empregada para garantir a explicabilidade do modelo, permitindo identificar os preditores mais influentes. Os achados destacam o potencial da inteligência artificial como ferramenta da Saúde Digital, especialmente para detecção precoce de surtos e alocação eficiente de recursos no SUS.
Keywords:
Poluição do Ar; Doenças Respiratórias; Inteligência Artificial; Modelos Preditivos; Sistema Único de Saúde.
Uso de inteligência artificial e dados ambientais na estimativa de internações respiratórias como apoio à gestão no SUS
Resumo (abstract):
Este estudo desenvolveu um modelo preditivo de internações hospitalares por doenças respiratórias no estado de São Paulo, com base em dados ambientais e meteorológicos de 2017 a 2022. Foram analisadas internações segundo os códigos J00–J99 da CID-10. Utilizaram-se dados públicos organizados semanalmente sobre poluentes atmosféricos (PM₂.₅, PM₁₀, O₃, NO₂, SO₂, CO) e variáveis climáticas (temperatura, umidade, precipitação, entre outras). A metodologia envolveu engenharia de atributos (defasagens, médias móveis, interações, tendência, sazonalidade), seleção de variáveis com regressão Lasso e aplicação do algoritmo CatBoost, otimizado via GridSearchCV. O modelo apresentou bom desempenho (R² ≈ 0,895), com acurácia nas estimativas da demanda assistencial. A técnica SHAP (Explicações Aditivas de Shapley) foi empregada para garantir a explicabilidade do modelo, permitindo identificar os preditores mais influentes. Os achados destacam o potencial da inteligência artificial como ferramenta da Saúde Digital, especialmente para detecção precoce de surtos e alocação eficiente de recursos no SUS.
Palavras-chave (keywords):
Poluição do Ar; Doenças Respiratórias; Inteligência Artificial; Modelos Preditivos; Sistema Único de Saúde.
Scursone, GF, Adamatti, DF, Silva Júnior, FMR, Tavella, RA, Bonifácio, AS, Machado, RA, Saes-Silva, E, Correia Filho, W. Use of artificial intelligence and environmental data to estimate respiratory hospitalizations in support of SUS management. Cien Saude Colet [periódico na internet] (2025/dez). [Citado em 14/08/2026].
Está disponível em: http://cienciaesaudecoletiva.com.br/artigos/use-of-artificial-intelligence-and-environmental-data-to-estimate-respiratory-hospitalizations-in-support-of-sus-management/19880?id=19880
