As doenças crônicas não transmissíveis (DCNT) representam um desafio significativo para a saúde global, exercendo impacto substancial nos sistemas de saúde em todo o mundo e demandando ações de vigilância e gestão. Nos últimos anos, a utilização de algoritmos de Machine Learning (ML) tem se mostrado uma abordagem promissora para aprimorar ao cuidado e a gestão de saúde. Nesse sentido, esta tese buscou desenvolver algoritmos de ML que contribuam para a vigilância, prevenção e tratamento de DCNT, com o objetivo de colaborar com a saúde pública através de dados e inteligência artificial (IA). Para isso, foram desenvolvidos, em parceria com a Secretaria de Estado da Saúde de São Paulo, quatro manuscritos com distintas aplicações, que compõem a coletânea de artigos desta tese. No primeiro artigo, foi desenvolvida uma revisão sistemática da literatura para explorar o uso de algoritmos de ML na predição da hipertensão arterial. Vinte e um artigos publicados entre janeiro de 2018 e maio de 2021 foram analisados, demonstrando o potencial dos algoritmos de ML para predizer a hipertensão e aprimorar as decisões clínicas preventivas, ainda que alguns dos trabalhos avaliados tenham apresentado problemas de seleção de variáveis e adoção de boas práticas preditivas. O segundo artigo concentrou-se na predição do risco de mortalidade em pacientes com neoplasias malignas no estado de São Paulo. Utilizando dados longitudinais, algoritmos de ML foram testados, alcançando altos valores de Área sob a curva ROC (AUC-ROC) para diferentes tipos de câncer (acima de 0,90). Os resultados apontaram para o potencial para predizer o risco de óbito em pacientes com câncer no estado de São Paulo. O terceiro artigo explorou o uso de algoritmos de ML não supervisionados para a regionalização dos municípios do estado de São Paulo com base nos perfis de morbimortalidade por DCNT. Por meio do agrupamento dos 645 municípios, o estudo identificou áreas contíguas com morbidades e mortalidades semelhantes. Esta abordagem demonstrou o potencial da utilização de ML no fornecimento de informações para o planejamento e a gestão dos sistemas de saúde. Por fim, no quarto artigo buscou-se desenvolver algoritmos de ML para a avaliação da performance da gestão de saúde crônica nos municípios do estado de São Paulo. Para isso, foram calculados os valores esperados de mortalidade prematura ajustada pela idade para cada um dos municípios no período de 2010 a 2019, a partir de um algoritmo de ML. Esses valores esperados, quando comparados com o observado nesses municípios, apontaram para a presença de casos de overachievers ou underachievers, que podem direcionar políticas de saúde e a atenção a nível estadual. As pesquisas apresentadas nesses artigos têm o potencial de contribuir para o avanço das aplicações de ML no campo da saúde pública, abrindo caminhos para estratégias mais eficazes no enfrentamento das DCNT e na promoção de saúde da população.

Chronic non-communicable diseases (NCD) pose a significant challenge for global health, exerting a substantial impact on health systems worldwide, requiring surveillance and management actions. In recent years, the use of machine learning (ML) algorithms has shown promise to improve health care and management. In this sense, this thesis sought to develop ML algorithms that contribute to the surveillance, prevention, and treatment of NCD, with the aim of collaborating with public health through data and artificial intelligence (AI). To this end, four manuscripts with different applications were developed, in partnership with the São Paulo State Department of Health, which make up the collection of articles for this thesis. In the first article, a systematic literature review was developed to explore the use of ML algorithms in the prediction of arterial hypertension. Twenty-one articles published between January 2018 and May 2021 were analyzed, demonstrating the potential of ML algorithms to predict hypertension and improve preventive clinical decisions, although some of the studies evaluated presented problems of variable selection and adoption of good predictive practices. The second article was focused on predicting the risk of mortality in patients with malignant neoplasms in the state of São Paulo, Brazil. Using longitudinal data, several ML algorithms were tested, achieving high values of Area Under the ROC Curve (AUC-ROC) for different types of cancer (above 0.90). The results highlighted the potential to predict the risk of death in cancer patients in the state of São Paulo. The third article explored the use of unsupervised ML algorithms for the regionalization of municipalities in the state of São Paulo based on morbidity and mortality profiles due to NCD. By grouping the 645 municipalities, the study identified contiguous areas with similar morbidities and mortality. This approach demonstrated the potential of using ML in providing information for the planning and management of health systems. Finally, the fourth article sought to develop ML algorithms to support the evaluation of the performance of chronic health management in the municipalities of the state of São Paulo. To this end, we calculated expected values of age-adjusted premature mortality for each of the municipalities in the period from 2010 to 2019, from a ML algorithm. These expected values, when compared with those observed in these municipalities, indicate cases of overachievers or underachievers, which can guide the direction of health policies and care at the state level. The research presented in these articles contributes to the advancement of ML applications in the field of public health, opening paths for more effective strategies in coping with NCD and in promoting the health of the population.