O Net Promoter Score pode predizer o Primary Care Assessment Tool? Uma abordagem de transfer learning

Chisini, Luiz Alexandre; D’Avila, Otávio Pereira; Ribeiro, Mauro Cardoso; Harzheim, Erno; Pinto, Luiz Felipe

doi:10.1590/1413-81232026315.23482025

Tabla de contenido Anterior Actual Siguiente

THEMATIC ARTICLE • Ciênc. saúde coletiva 31 (5) • Maio 2026 • https://doi.org/10.1590/1413-81232026315.23482025 linkcopiar

O Net Promoter Score pode predizer o Primary Care Assessment Tool? Uma abordagem de transfer learning

Autoria SCIMAGO INSTITUTIONS RANKINGS

Este estudo teve como objetivo avaliar a viabilidade do NPS (Net Promoter Score) como preditor parcimonioso do Primary Care Assessment Tool (PCAT). Os dados utilizados foram obtidos de um estudo transversal realizado no Rio de Janeiro em 2024, incluindo amostras independentes de adultos e crianças. Os conjuntos de dados foram divididos em treinamento (70%) e teste (30%). O principal preditor foi o NPS, complementado por 44 variáveis para adultos e 39 para a população pediátrica. Seis algoritmos de machine learning foram avaliados. Após avaliação, seis variáveis foram selecionadas para adultos sem perda de desempenho do modelo: NPS, idade, anos de escolaridade, atendimento consistente pelo mesmo médico, número de utilizações do serviço, e número de filhos. Para crianças, quatro variáveis similares foram selecionadas: NPS, idade (do respondente), anos de escolaridade, atendimento consistente pelo mesmo médico. Os modelos preditivos apresentaram desempenho superior na população infantil (AUC=0,82) comparada à adulta (AUC=0,76). A abordagem de transfer learning demonstrou robustez ao adaptar o modelo derivado de adultos para dados pediátricos. Este estudo mostrou que um modelo baseado no NPS e em um conjunto mínimo de variáveis adicionais pode estimar eficazmente os escores do PCAT.

Palavras-chave:
Atenção Primária à Saúde; Avaliação em saúde; Rio de Janeiro

	Machine Learning Models	Adults - Six predictors were selected^a
	Machine Learning Models	AUC (95%CI)	DeLong	Accuracy	Recall	Precision	F1-Score
Training Set	Gradient Boosting Classifier	0.77 (0.73-0.80)	<0.001	0.70	0.72	0.67	0.69
	Random Forest Classifier	0.79 (0.76-0.83)	<0.001	0.72	0.79	0.68	0.73
	Extreme Gradient Boosting	0.93 (0.91-0.95)	Ref	0.74	1.00	0.65	0.79
	CatBoost Classifier	0.70 (0.72-0.80)	<0.001	0.76	0.72	0.67	0.70
	Light Gradient Boosting Machine	0.76 (0.73-0.80)	<0.001	0.70	0.76	0.66	0.71
	TabPFNClassifier v2	0.77 (0.73-0.81)	<0.001	0.69	0.69	0.66	0.68
Test Set	Gradient Boosting Classifier	0.75 (0.70-0.81)	0.288	0.71	0.75	0.67	0.71
	Random Forest Classifier	0.74 (0.68-0.80)	0.050	0.68	0.77	0.63	0.69
	Extreme Gradient Boosting	0.71 (0.64-0.77)	0.018	0.59	0.87	0.66	0.66
	CatBoost Classifier	0.76 (0.70-0.81)	0.452	0.71	0.76	0.67	0.71
	Light Gradient Boosting Machine	0.75 (0.70-0.81)	0.284	0.69	0.79	0.63	0.70
	TabPFNClassifier v2	0.76 (0.71-0.82)	Ref.	0.68	0.71	0.64	0.68
		Adults - Only NPS as the predictor^b
		AUC (95%CI)		Accuracy	Recall	Precision	F1-Score
	CatBoost Classifier (Training)	0.72 (0.68-0.76)		0.67	0.85	0.61	0.71
	CatBoost Classifier (Test)	0.72 (0.67-0.78)		0.62	0.84	0.56	0.67

	Machine Learning Models	Children - Four predictors were selected^a
	Machine Learning Models	AUC (95%CI)	DeLong	Accuracy	Recall	Precision	F1-Score
Training Set	Gradient Boosting Classifier	0.85 (0.82-0.88)	<0.001	0.79	0.92	0.81	0.86
	Random Forest Classifier	0.83 (0.80-0.86)	<0.001	0.78	0.95	0.78	0.86
	Extreme Gradient Boosting	0.94 (0.82-0.96)	Ref.	0.83	1.00	0.81	0.89
	CatBoost Classifier	0.86 (0.83-0.89)	<0.001	0.81	0.93	0.82	0.87
	Light Gradient Boosting Machine	0.85 (0.82-0.88)	<0.001	0.70	1.00	0.70	0.82
	TabPFNClassifier v2	0.82 (0.79-0.85)	<0.001	0.82	0.93	0.78	0.85
Test Set	Gradient Boosting Classifier	0.82 (0.77-0.87)	0.989	0.79	0.92	0.82	0.87
	Random Forest Classifier	0.79 (0.73-0.84)	0.054	0.77	0.93	0.79	0.85
	Extreme Gradient Boosting	0.74 (0.67-0.80)	0.001	0.75	0.94	0.77	0.85
	CatBoost Classifier	0.82 (0.77-0.87)	Ref.	0.80	0.90	0.82	0.86
	Light Gradient Boosting Machine	0.79 (0.74-0.85)	0.122	0.73	1.00	0.73	0.84
	TabPFNClassifier v2	0.79 (0.74-0.85)	0.138	0.78	0.94	0.80	0.86
		Children - Only NPS as the predictor^b
		AUC (95%CI)		Accuracy	Recall	Precision	F1-Score
	CatBoost Classifier (Training)	0.80 (0.77-0.82)		0.78	0.92	0.80	0.85
	CatBoost Classifier (Test)	0.78 (0.76-0.80)		0.77	0.91	0.81	0.85

location_on

ABRASCO - Associação Brasileira de Saúde Coletiva Av. Brasil, 4036 - sala 700 Manguinhos, 21040-361 Rio de Janeiro RJ - Brazil, Tel.: +55 21 3882-9153 / 3882-9151 - Rio de Janeiro - RJ - Brazil
E-mail: cienciasaudecoletiva@fiocruz.br

rss_feed Acompañe los números de esta revista en su lector de RSS

[TFN1] Model tuning was performed through 10-fold cross-validation and 50 iterations. The multicollinearity threshold was 0.90. Ref. = reference. The training model was performed with 70% of the data, and the testing model was performed with 30% of the data. ^aThe six predictors selected by Recursive Feature Elimination: 1) NPS, 2) Age, 3) years of education; 4) the same doctor was seen consistently, 5) the number of times the service was used, and 6) the number of children. ^bOnly the NPS was used as a predictor. Only the best model was used to predict using only the NPS as a predictor.

[TFN2] Source: Authors.