A tuberculose (TB) está entre as principais causas de mortes por doenças transmissíveis no mundo e até a pandemia do coronavírus (COVID-19), a TB era a principal causa de morte no mundo por doenças infectocontagiosas, estando acima do vírus da imunodeficiência humana (HIV). Para o controle efetivo da doença no Brasil, a abordagem mais significativa, vem sendo utilizada é a Estratégia do Tratamento Diretamente Observado (TDO). Contudo ainda são notificados números significativos de casos. A utilização de um sistema de informação tem como objetivo melhorar a qualidade do planejamento, implementação do programa de combate de TB, controle do tratamento e gerenciamento das informações. Por isso, é decisivo dotar tais sistemas com capacidades que ajudem os profissionais de saúde a gerirem os escassos recursos disponíveis e focar seus esforços de forma adequada a cada caso. Dessa forma, o objetivo geral desse projeto é desenvolver um modelo de predição de abandono ao TDO dos pacientes com TB. Isto possibilitaria a identificação de casos de abandono do tratamento com antecedência e redirecionamento de recursos para melhorar a adesão desses casos (para o tratamento), reduzindo o abandono e a taxa de infecção por bacilos resistentes. Inicialmente (Artigo 1), analisamos diferentes bases de dados comparando-as quanto a completude e confiabilidade das informações de 50 tratamentos em 2 ambulatórios no estado de São Paulo. As bases de dados utilizadas para coleta das informações foram: 1) SISTb; 2) Hygia; 3) Prontuários locais dos ambulatórios; 4) Prontuários eletrônicos do Hospital das Clínicas; e 5) TBWEB. A base de dados que apresentou os melhores resultados para completude e confiabilidade foi o TBWEB. Em seguida (Artigo 2), foi realizada uma seleção dos atributos mais relacionados ao desfecho do tratamento da TB na base de dados TBWEB. Posteriormente (Artigo 3 e 4), foram desenvolvidos dois modelos utilizando diferentes métodos para predição do desfecho do tratamento da TB. Em primeiro momento, foi utilizado o modelo CART (Artigo 3) e posteriormente foi feito um classificador utilizando como base os agrupamentos gerados por um modelo de classificação não supervisionada hierárquica (Artigo 4). Ambos os modelos desenvolvidos apresentaram uma performance similar ou melhor a outros trabalhos encontrados na literatura. Além disso, ambos os modelos se destacam por possuírem uma representação visual simples, possibilitando que equipes de saúde possam utilizá-los para identificar padrões durante o tratamento de TB.

Tuberculosis is among the leading causes of death from infectious diseases. Tuberculosis was the leading cause of deaths by infectious disease until the beginning of the coronavirus pandemics. For effective control of the disease in Brazil, the Directly Observed Treatment Strategy is used. However, there is a significant number of new cases reported. The use of information system aims to improve the quality of planning, program implementation, treatment control and information management. It is therefore crucial to provide such systems with capabilities that help health professionals to manage the resources available and focus their efforts on cases that require their attention. Thus, the general objective of this project is to carry out a study for a prediction model to the tuberculosis treatment abandonment. This would provide a way to predict treatment loss to follow-up and redirect resources in advance to improve the adherence of these cases, reducing the treatment loss to follow-up rate and the number of infections by resistant bacilli. Initially (Article 1), we analyzed different databases comparing them for the completeness and reliability of the data from 50 treatments in 2 ambulatories in the state of São Paulo. The databases used to collect the information were: 1) SISTb; 2) Hygia; 3) Local ambulatory medical records; 4) Clinical Hospital electronic medical records; and 5) TBWEB. The database which presented the best completeness and reliability scores was TBWEB. Subsequently (Article 2), the selection of the most related attributes to the tuberculosis treatment outcome was performed. Later (Article 3 and 4), we developed two different models for tuberculosis prediction. First (Article 3), we developed a classifier using CART model. Later (Article 4), we developed a prediction classifier from the clusters generated by a hierarchical clustering model. Both developed models showed similar performance when compared to other models found in the literature. Besides, our models are highlighted by generating human comprehensible models that can be used by healthcare professionals through tuberculosis treatment to identify undesired outcomes patterns.