A tuberculose (TB) continua sendo uma das doenças infecciosas mais mortais globalmente, com milhões de casos e mortes relatados a cada ano. Este problema é agravado quando associado a comorbidades, como o HIV, tornando-se ainda mais letal. Além disso, fatores socioeconômicos e culturais desempenham um papel importante na prevalência da TB, indicando uma estreita ligação entre a doença e o desenvolvimento social precário. Com o Brasil, sendo um país significantemente afetado pela Tuberculose, vem trabalhando em ações e tratamentos que possam ser implantados para o controle e prevenção da TB e redução da vulnerabilidade dos pacientes. Um aspecto crucial para realização destas intervenções, é a disponibilidade de dados de saúde abrangentes e a aplicação de técnicas de análise de dados, como o aprendizado de máquina (AM), para melhorar a qualidade do atendimento e as decisões médicas. Inclusive, estudos têm mostrado que o AM é uma área emergente na saúde, pois pode aprender com dados históricos e identificar padrões que podem levar a evitar um desfecho inesperado no tratamento da TB, como o abandono do tratamento, óbito e resistência medicamentosa. Neste contexto, esta pesquisa visa utilizar técnicas de descoberta de conhecimento em bases de dados (KDD) e aprendizado de máquina para analisar e identificar padrões desconhecidos que possam relacionar fatores sociodemográficos e clínicos e a probabilidade de um certo desfecho negativo do tratamento da TB ocorrer com um paciente. Além disso, a crescente disponibilidade de dados de pacientes no campo da saúde torna o uso de técnicas como o AM ainda mais relevante para melhorar o manejo dos pacientes com TB.

Tuberculosis (TB) continues to be one of the deadliest infectious diseases globally, with millions of cases and deaths reported every year. This problem is exacerbated when associated with comorbidities such as HIV, making it even more lethal. Furthermore, socioeconomic and cultural factors play a significant role in the prevalence of TB, indicating a close link between the disease and poor social development. Brazil, significantly affected by Tuberculosis, has been working on actions and treatments that can be implemented for TB control and prevention, as well as reducing patient vulnerability. A crucial aspect for the implementation of these interventions is the availability of comprehensive health data and the application of data analysis techniques such as machine learning (ML) to improve the quality of care and medical decisions. In fact, studies have shown that ML is an emerging area in healthcare because it can learn from historical data and identify patterns that can help avoid unexpected outcomes in TB treatment, such as treatment abandonment, death, and drug resistance. In this context, this research aims to use knowledge discovery in databases (KDD) techniques and machine learning to analyze and identify unknown patterns that may relate sociodemographic and clinical factors to the likelihood of a certain negative outcome in TB treatment occurring with a patient. Furthermore, the increasing availability of patient data in the healthcare field makes the use of techniques like ML even more relevant to enhance the management of TB patients.