Sviluppo e validazione interna di un modello di machine learning per l’assenza per malattia correlata al lavoro in lavoratori brasiliani con disturbi mentali.

Lo studio si propone di sviluppare e validare internamente modelli di machine learning per predire l’assenza per malattia correlata al lavoro in soggetti notificati con disturbi mentali sul lavoro in Brasile. Sono state analizzate 21.601 notifiche di disturbi mentali correlati all’attività lavorativa registrate nel sistema nazionale di sorveglianza brasiliano (SINAN) tra il 2006 e il 2025. Sono stati confrontati modelli Elastic net, Random forest e XGBoost, ottimizzati tramite validazione incrociata a 5 fold su un campione di training (75%) e valutati su un set di test (25%). Il modello Random forest ha mostrato la migliore prestazione con un’area sotto la curva ROC di 0,697 (95% CI 0,682-0,710) e AUC-PR di 0,802 (0,788-0,816), superando Elastic net e risultando simile a XGBoost. L’analisi di curva decisionale ha indicato beneficio netto per soglie di probabilità tra trenta e settanta percento. Variabili maggiormente predictive includevano anno di notifica, stato occupazionale, uso di psicofarmaci, regione geografica e conferma della correlazione lavorativa. Sono state però rilevate disparità nella capacità discriminativa, particolarmente ridotta in lavoratori neri (AUC-ROC 0,620) e con istruzione secondaria (0,664). Limitazioni importanti riguardano l’assenza di validazione esterna, necessaria per un utilizzo clinico o operativo, e la necessità di calibrazione e controlli di equità per gruppi svantaggiati. Il lavoro suggerisce che dati di sorveglianza di routine possono supportare previsioni moderate di assenza per malattia mentale correlata al lavoro ma con cautela.