Análise Preditiva da Escassez de Profissionais de Saúde Mental nos EUA

Descrição

Este estudo investiga a escassez de profissionais de saúde mental nos Estados Unidos. Utilizando dados da Health Resources and Services Administration (HRSA), o trabalho objetiva prever a pontuação HPSA em áreas designadas de saúde mental, oferecendo subsídios para políticas de alocação de recursos.

Vídeo da apresentação do trabalho: https://youtu.be/fFZcjsALjZk

O artigo pode ser encontrado no arquivo Análise Preditiva da Escassez de Profissionais de Saúde Mental nos EUA.pdf, presente no repositório, ou pelo link a seguir: https://drive.google.com/file/d/1RT8rxcy86sOZsNZTcdRoqUUPtITHkNJx/view?usp=sharing

Objetivos

• Construir modelos de classificação para prever a pontuação HPSA (0–25) em regiões com foco em saúde mental.
• Identificar variáveis demográficas e de atendimento que expliquem melhor a escassez de profissionais.
• Avaliar o desempenho de três algoritmos (Random Forest, Decision Tree e KNN) otimizados por GridSearchCV com validação cruzada.
• Analisar a importância relativa das features para fornecer recomendações de política pública.

Conjuntos de Dados

Os dados foram obtidos no HRSA Data Warehouse (https://data.hrsa.gov/data/download) e envolvem:

• All HPSAs – CSV.csv

  • Registros: Aproximadamente 35 mil entradas específicas para saúde mental.

  • Colunas: 65 variáveis, incluindo:

    • HPSA Score: pontuação de 0 a 25 atribuída pelo National Health Service Corps.
    • HPSA Discipline Class: classifica serviços de saúde mental.
    • HPSA Designation Population: população afetada.
    • HPSA FTE: número de profissionais em equivalente tempo integral.
    • HPSA Shortage: profissionais adicionais necessários.
    • Indicadores geográficos e demográficos (pobreza, rural/urbano).

• MUA/P – CSV.csv

  • Registros de áreas/populações medicamente carentes.
  • Variáveis de interesse: percentual da população abaixo da linha de pobreza, idade, taxa de mortalidade infantil, população total, provedores por 1000 habitantes.
  • Observação: colunas críticas apresentaram alta taxa de valores ausentes (> 68%) e foram excluídas.

Metodologia

1. Pré-processamento e Limpeza

Foi realizado um extenso processo de limpeza e tratamento de dados para garantir a robutez das informações fornecidas aos classificadores, incluindo:

• Remoção de identificadores e colunas irrelevantes (IDs, descrições textuais).
• Filtragem temporal: descartados registros anteriores a 2009 devido à pontuação HPSA invariável.
• Tratamento de missing: avaliação da imputação (média, mediana ou moda) para variáveis com até 40% de ausência; exclusão de colunas acima desse limite.

3. Transformação

   • One-Hot Encoding para variáveis categóricas.
   • Padronização (StandardScaler) das variáveis numéricas.

4. Modelagem Preditiva

   • Divisão em treino (70%) e teste (30%).

   • Modelos avaliados:

     • Random Forest
     • Decision Tree
     • K-Nearest Neighbors

   • Otimização de hiperparâmetros via GridSearchCV com StratifiedKFold (k=5).

5. Avaliação

   • Métricas: acurácia, precisão, recall e F1-Score.

Resultados

• Random Forest foi o melhor modelo, com F1-Score de 84,46%.
• Decision Tree: F1-Score de 83,61%.
• KNN: F1-Score de 73,17%.

Hiperparâmetros ótimos para Random Forest:

• n_estimators=100
• max_depth=None
• min_samples_split=2

Importância das features (top 5):

1. HPSA Designation Population
2. HPSA Shortage
3. HPSA Estimated Underserved Population
4. % Population Below 100% Poverty
5. HPSA FTE

Como Reproduzir

1. Clone o repositório:

   git clone https://github.com/intel-comp-saude-ufes/2025-1-P1-Analise-de-Escassez-de-Profissionais-de-Saude-Mental-nos-EUA.git
   cd 2025-1-P1-Analise-de-Escassez-de-Profissionais-de-Saude-Mental-nos-EUA

2. Instale dependências:

   pip install pandas numpy matplotlib seaborn scikit-learn scipy

3. Execute o Notebook:

   jupyter notebook Analise_de_Escassez_de_Profissionais_de_Saude_Mental_nos_EUA.ipynb

4. Ajustes:

   • Atualize URLs dos CSVs, se necessário.

---

Elaborado por:

• Antonio Borssato - antonio.borssato@edu.ufes.br

• Lucas Alves - lucas.o.alves@edu.ufes.br

• Rodrigo Fardin - rodrigo.fardin@edu.ufes.br