Análise comparativa de algoritmos de aprendizagem de máquina para predição dos custos de medicamentos para doenças reumáticas do SUS

Abstract

O grande crescimento do uso e gastos de biofármacos e limitação de recursos públicos para doenças reumáticas no SUS tornam os modelos de predição importantes para fornecer decisões de incorporação, negociação de preços e alocação de recursos no SUS, já que existem evidências de bilhões de reais em despesas públicas nos últimos anos. Este trabalho teve como objetivo realizar uma análise comparativa de algoritmos de aprendizado de máquina para predição de custos de medicamentos para doenças reumáticas no SUS. A metodologia envolveu a coleta e processamento de dados do DATASUS e do Banco de Preços em Saúde (BPS) referentes ao período de 2020 a 2024. Três algoritmos foram implementados em linguagem Python: Random Forest (RF), Multi-Layer Perceptron (MLP) e K-ésimo Vizinho mais Próximo (KNN), avaliados por meio das métricas R2, RMSE (Raiz do Erro Quadrático Médio) e MAE (Erro Absoluto Médio). Os resultados indicaram que o Random Forest apresentou o melhor desempenho global, com R2 de 0,89, RMSE de R$ 2.200,07 e MAE de R$ 947,70, demonstrando maior poder explicativos e menores erros de predição em comparação aos demais modelos. O KNN obteve desempenho intermediário com R2 de 0,83, enquanto o MLP apresentou os resultados mais limitados com R2 de 0,6626 e ambos algoritmos, alternaram conforme a faixa de custo considerada, com o KNN se destacando em alguns cenários e a MLP em outros, em relação ao RMSE e MAE. Conclui-se que o Random Forest é o algoritmo mais adequado para predição de custos de medicamentos no contexto do SUS com dados administrativos heterogêneos, evidenciando o potencial do aprendizado de máquina como ferramenta de apoio à gestão da Assistência Farmacêutica, com possibilidade de extensão dessa abordagem para outros grupos de medicamentos e condições clínicas.