Análise de padrões da violência contra mulheres no Brasil: uma abordagem com aprendizado de máquina não supervisionadoResumo
Analisar padrões de associação entre diagnósticos relacionados à violência doméstica em internações hospitalares e identificar perfis clínico-demográficos por aprendizado de máquina não supervisionado. Utilizaram-se dados do Sistema de Informações Hospitalares do SUS entre 2008 e 2023, abrangendo 90.798 internações de mulheres de 20 a 59 anos com códigos CID-10 relacionados à violência. Aplicaram-se frameworks para preparação dos dados, e algoritmos para identificação de regras de associação entre diagnósticos e modelagem de tópicos. A taxa de internações estabilizou após 2012, com média entre 2,6 e 3,2 por 100.000 mulheres. Estados como São Paulo, Bahia e Minas Gerais concentraram 46% dos casos absolutos; Rio Grande do Norte e Pará apresentaram as maiores taxas proporcionais. O algoritmo identificou regras significativas entre tipos de lesão e mecanismos de agressão. A modelagem Latent Dirichlet Allocation revelou nove perfis distintos, com destaque para mulheres jovens submetidas a cirurgias de urgência por politraumatismos. O uso de aprendizado de máquina identificou padrões clínico-epidemiológicos relevantes para subsidiar estratégias de predição e vigilância na Atenção Primária, contribuindo para o enfrentamento da violência de gênero.
Palavras-chave:
Violência contra a Mulher; Sistemas de Informação Hospitalar; Aprendizado de Máquina; Inteligência Artificial
Abstract
Analyze patterns of association between diagnoses related to domestic violence in hospital admissions and identify clinical-demographic profiles using unsupervised machine learning. Data from the SUS Hospital Information System between 2008 and 2023 were used, covering 90,798 hospitalizations of women aged 20 to 59 years with ICD-10 codes related to violence. Frameworks for data preparation were applied, as well as algorithms for identifying association rules between diagnoses and topic modeling. The hospitalization rate stabilized after 2012, with an average between 2.6 and 3.2 per 100,000 women. States such as São Paulo, Bahia, and Minas Gerais accounted for 46% of absolute cases; Rio Grande do Norte and Pará presented the highest proportional rates. The algorithm identified significant rules between types of injury and mechanisms of aggression. Latent Dirichlet Allocation modeling revealed nine distinct profiles, highlighting young women undergoing emergency surgeries due to polytrauma. The use of machine learning identified relevant clinical-epidemiological patterns to support prediction and surveillance strategies in Primary Care, contributing to addressing gender-based violence.
Key words:
Violence Against Women; Hospital Information Systems; Machine Learning; Artificial Intelligence
Resumen
Analizar patrones de asociación entre diagnósticos relacionados con la violencia doméstica en hospitalizaciones e identificar perfiles clínico-demográficos mediante aprendizaje automático no supervisado. Se utilizaron datos del Sistema de Información Hospitalaria del SUS entre 2008 y 2023, abarcando 90.798 hospitalizaciones de mujeres de 20 a 59 años con códigos CIE-10 relacionados con la violencia. Se aplicaron marcos para la preparación de los datos, así como algoritmos para la identificación de reglas de asociación entre diagnósticos y el modelado de temas. La tasa de hospitalizaciones se estabilizó después de 2012, con un promedio entre 2,6 y 3,2 por 100.000 mujeres. Estados como São Paulo, Bahía y Minas Gerais concentraron el 46% de los casos absolutos; Río Grande do Norte y Pará presentaron las tasas proporcionales más altas. El algoritmo identificó reglas significativas entre tipos de lesión y mecanismos de agresión. El modelado Latent Dirichlet Allocation reveló nueve perfiles distintos, destacándose mujeres jóvenes sometidas a cirugías de urgencia por politraumatismos. El uso de aprendizaje automático identificó patrones clínico-epidemiológicos relevantes para sustentar estrategias de predicción y vigilancia en la Atención Primaria, contribuyendo al enfrentamiento de la violencia de género.
Palabras clave:
Violencia contra la Mujer; Sistemas de Información Hospitalaria; Aprendizaje Automático; Inteligencia Artificial
Introdução
A violência contra a mulher constitui um grave problema de saúde pública no Brasil, representando uma das principais causas de morbidade, mortalidade e sofrimento psíquico entre as mulheres1. Além das consequências físicas e emocionais, a violência de gênero impõe sobrecarga ao sistema de saúde. Entretanto, a Atenção Primária à Saúde (APS), como porta de entrada do Sistema Único de Saúde (SUS), tem papel estratégico na detecção precoce, no acolhimento qualificado e na articulação com redes de proteção social2.
No contexto brasileiro, o crescimento consistente das notificações de violência contra mulheres nas últimas décadas reforça a magnitude e a urgência desse problema de saúde pública3. Apesar da expansão de políticas e redes de proteção, persistem desigualdades regionais, barreiras estruturais e limitações no acesso aos serviços de saúde e assistência, comprometendo a efetividade das estratégias de prevenção e detecção precoce4.
Nesse cenário, a análise dos casos de maior gravidade, como aqueles que evoluem para internação hospitalar, torna-se particularmente relevante, pois permite compreender padrões clínicos complexos. Estudos anteriores no Brasil exploraram características individuais ou sociodemográficos1,5, mas a análise integrada dos diagnósticos e das características clínicas das internações ainda é limitada, dificultando a identificação de perfis de gravidade, riscos e necessidades assistenciais.
Experiências internacionais6,7 destacam o papel da Saúde Digital, como a Ciência de Dados, no fortalecimento da vigilância, na integração das informações e na identificação de populações vulneráveis. Diretrizes como o plano Fit for the future6 e Digital Transformation Handbook for Primary Health Care da World Health Organization (WHO)7 apontam para a adoção de modelos assistenciais preditivos, responsivos e centrados nas necessidades reais da população. As técnicas de aprendizado de máquina não supervisionado surgem como ferramentas promissoras para revelar padrões ocultos em grandes bases de dados8,9.
Diante disso, este estudo tem como objetivos analisar, por meio de técnicas de aprendizado de máquina não supervisionado, padrões de associação entre diagnósticos relacionados à violência contra mulheres em internações hospitalares registradas no Sistema de Informações Hospitalares do SUS (SIH-SUS), e identificar perfis clínico-demográficos dessas internações, oferecendo subsídios para futuras estratégias de vigilância, prevenção e cuidado integral.
Métodos
Realizou-se estudo observacional retrospectivo, desenho analítico, utilizando dados secundários do SIH-SUS no período de 2008 a 2023, abrangendo todo o território brasileiro. A população estudada compreendeu mulheres de 20 a 59 anos internadas no SUS com diagnósticos relacionados à violência doméstica. Para explorar padrões nos dados, foram aplicadas técnicas de aprendizado de máquina não supervisionado, incluindo modelagem de tópicos e regras de associação. O estudo foi aprovado pelo Comitê de Ética em Pesquisa da Unifesp, sob o parecer nº 00263/2023.
O estudo foi realizado no Departamento de Informática em Saúde da Escola Paulista de Medicina da Universidade Federal de São Paulo, em parceria com a Associação Paulista para o Desenvolvimento da Medicina, no período entre abril e julho de 2025. Todos os dados utilizados são públicos, anonimizados e foram tratados de acordo com os princípios éticos e regulatórios vigentes, conforme a Lei Geral de Proteção de Dados Pessoais (Lei nº 13.709/2018) e a Resolução nº 510/2016 do Conselho Nacional de Saúde.
Para este estudo, foram utilizadas bases de dados secundárias públicas, incluindo SIH-SUS10 com informações sobre internações hospitalares no SUS, CID-1011 para classificação de diagnósticos, SIGTAP12 com descrições dos procedimentos realizados, e dados populacionais do IBGE13. Com essas informações, foi calculada a taxa de internações por 100.000 habitantes, estratificada por unidade federativa (UF) e ano, considerando o número de internações como numerador e a população feminina de 20 a 59 anos como denominador, multiplicando o resultado por 100.000.
Os critérios de inclusão contemplaram internações de mulheres adultas com idade entre 20 e 59 anos, excluindo crianças, adolescentes e idosas, em conformidade com a categorização proposta no Guia de Vigilância em Saúde do Ministério da Saúde14. Foram selecionados registros com diagnósticos relacionados à violência doméstica, abrangendo os códigos CID-10 de agressões (X85-X99, Y00-Y09), síndromes de maus-tratos (T74), sequelas de agressão (Y871) e exame/observação após alegação de estupro (Z044). Para garantir a abrangência dos diagnósticos, consideraram-se os campos de diagnóstico principal, diagnóstico secundário e diagnósticos adicionais disponíveis na base do SIH-SUS. A amostra final compreendeu 90.798 internações.
Para orientar o planejamento e o processo de preparação dos dados na saúde, aplicaram-se os frameworks HRSP-AI15 e framework HealthDataPrep9. As etapas incluíram 1) Desidentificação: remoção de campos identificadores, como Autorização de Internação Hospitalar (AIH), CPF e CNPJ; 2) Limpeza: exclusão de variáveis com valores únicos ou variância inferior a 1%, como nível de instrução, ocupação, vínculo previdenciário, entre outros; 3) Integração: combinação de dados do SIH-SUS, população (IBGE), tabela de procedimentos (SIGTAP) e CID; 4) Transformação: conversão para formato atributo-valor categórico (UF, sexo, raça/cor, leito, evolução, óbito e UTI) e discretização da variável contínua idade em intervalos (faixas etárias); e 5) Seleção de atributos: UF, faixa etária, raça/cor, leito, procedimento, evolução, óbito, UTI, caráter de internação e diagnósticos (Figura 1).
Utilização do framework HRSP-AI15 para nortear o processo do projeto de IA e do framework HealthDataPrep para preparação de dados não supervisionados.
Para a análise de regras de associação foi utilizado o algoritmo Apriori, para identificar padrões entre diagnósticos16. Estabeleceram-se os seguintes critérios: Support≥1%, Confidence≥30% e Lift≥1,5. Esses valores foram ajustados considerando o porte da base de dados e fundamentados em estudos anteriores que aplicaram o algoritmo Apriori em bases de saúde17,18. As métricas utilizadas foram: Support: frequência da combinação de itens em relação ao conjunto total; Confidence: probabilidade de ocorrência do diagnóstico consequente dado o antecedente e, Lift: força da dependência entre os diagnósticos (>1 indica dependência positiva)19,20.
Sobre a modelagem de tópicos, aplicou-se o algoritmo LDA8,21 e os dados foram estruturados no formato atributo-valor. Além disso, utilizou-se a métrica Perplexity8,22, para determinar o número ótimo de tópicos, testando-se de 2 a 15 tópicos. Essa abordagem foi fundamentada em estudos anteriores com dados de saúde23,24. O número final de 9 tópicos foi selecionado com base na estabilização da perplexidade. O código fonte utilizado para todas as etapas de preparação dos dados e aplicação dos algoritmos de Apriori e LDA foi disponibilizado em https://doi.org/10.5281/zenodo.17872231.
Resultados
Os resultados obtidos a partir da análise dos dados do SIH-SUS, com aplicação de técnicas de aprendizado de máquina não supervisionado, revelam padrões relevantes de internações hospitalares por violência contra mulheres no Brasil entre 2008 e 2023. A seção está estruturada em três partes: 1. Características gerais das internações; 2. Identificação de regras de associação entre diagnósticos por meio do algoritmo Apriori; e 3. Modelagem de tópicos com o algoritmo LDA, a fim de descrever perfis latentes das internações. Cada abordagem permitiu evidenciar diferentes dimensões do fenômeno da violência de gênero no contexto hospitalar, com implicações para vigilância em saúde, formulação de políticas públicas e práticas clínicas sensíveis à complexidade dos casos.
Características gerais das internações
De 193.455.105 internações no SUS entre 2008-2023, 828.264 (0,43%) corresponderam a códigos de violência, sendo 144.140 (17,4%) em mulheres. Após aplicação dos critérios de idade, obteve-se 90.798 casos de mulheres de 20-59 anos.
A taxa de internações por violência contra mulheres estabilizou após 2012, oscilando entre 2,6 e 3,2 por 100.000 habitantes. Em valores absolutos, São Paulo (17.963 casos), Bahia (13.893) e Minas Gerais (10.184) concentraram 46% do total nacional. Considerando-se taxas populacionais, Rio Grande do Norte apresentou a maior taxa média (17,49/100.000 habitantes), seguido pelo Pará (6,49/100.000).
A distribuição etária mostrou maior concentração na faixa de 20-30 anos, com declínio progressivo com o avanço da idade. Quanto à raça/cor, 35,57% declararam-se pardas, 20,49% brancas e 38,29% não informaram. A maioria das internações ocorreu em caráter de urgência (81,87%) e em leitos cirúrgicos (67,17%) (Tabela 1).
Regras de associação entre diagnósticos
O algoritmo Apriori identificou nove regras de associação significativas com os critérios estabelecidos. A regra com maior confiança associou traumatismo de músculo e tendão no punho/mão (S66) com agressão por objeto cortante/penetrante (X99), apresentando Support de 1,73%, Confidence de 69,5% e Lift de 3,14 (Quadro 1).
Outras associações relevantes incluíram:
-
Fratura do crânio/face (S02) - Agressão por força corporal (Y04): Confidence 61,05%, Lift 2,99.
-
Ferimento do tórax (S21) - Agressão por objeto cortante (X99): Confidence 59,01%, Lift 2,67.
-
Traumatismo intratorácico (S27) - Agressão por objeto cortante (X99): Confidence 57,28%, Lift 2,59.
Os resultados evidenciaram padrões consistentes entre tipos específicos de lesões e mecanismos de agressão, sugerindo correlações entre instrumentos utilizados e lesões resultantes.
Perfis de internações por modelagem de tópicos
A análise da perplexidade indicou nove como o número ótimo de tópicos, com alteração significativa até esse ponto e variações inferiores a 1% nos valores subsequentes, sugerindo uma estabilização relativa (Figura 2). Cada tópico identificado corresponde a um perfil recorrente de atendimento hospitalar relacionado à violência contra mulheres, caracterizado por combinações específicas dos pares atributo-valor mais frequentes. Os nove perfis identificados apresentaram distribuições distintas (Quadro 2).
(a) Análise da métrica Perplexity para Diferentes Números de Tópicos; (b) Distribuição dos tópicos das internações por violência contra mulheres.
Tópico 7 (17,2% dos casos): Mulheres jovens (20-29 anos) em atendimento cirúrgico urgente por politraumatismos ou toracostomia com drenagem pleural, evoluindo para alta melhorada. Predominância de raça/cor parda, com diagnósticos de agressão por objeto cortante (X99) ou traumatismo intratorácico (S27).
Tópico 6 (13,5%): Mulheres internadas em São Paulo e Minas Gerais, em leito clínico, com caráter de urgência, submetidas a procedimentos relacionados a traumatismos de localização não especificada com diagnósticos de agressão por força corporal (Y04) ou ferimentos múltiplos (T01).
Tópico 3 (10,8%): Mulheres com faixa etária mais elevada (40-59 anos), majoritariamente brancas, residentes em São Paulo e Santa Catarina, internadas em leitos cirúrgicos após agressão por força corporal (Y04) ou objeto contundente (Y00).
Tópico 5 (5,5%): Mulheres pardas, de São Paulo e Ceará, vítimas de agressão por arma de fogo (X94) ou exposição a substâncias tóxicas (T65), submetidas a tratamento por envenenamento ou a procedimentos cirúrgicos de emergência, com necessidade de UTI e evolução para óbito.
Os demais tópicos representaram outros perfis com características geográficas, etárias e clínicas diversas, demonstrando a heterogeneidade dos casos de violência contra mulheres no sistema hospitalar.
Discussão
Este estudo realizou uma análise abrangente das internações por violência contra mulheres no Brasil entre 2008 e 2023 utilizando técnicas de aprendizado de máquina não supervisionado. Os achados revelam padrões em três dimensões principais: as características gerais das internações, incluindo distribuição etária, raça/cor, tipo de leito e padrões regionais, os padrões de associação entre diagnósticos e os perfis de internações. Essa abordagem permite compreender a heterogeneidade dos casos, identificar grupos de risco e subsidiar políticas públicas, planejamento de serviços de saúde e estratégias de prevenção com destaque na atenção primária à saúde (APS).
A estabilização das taxas de internação a partir de 2012 pode ser interpretada como reflexo de avanços normativos, como a Lei Maria da Penha (Lei 11.340/2006), e da expansão dos serviços da Rede de Atenção à Mulher em Situação de Violência, especialmente os Centros de Referência e os serviços hospitalares de referência para vítimas de violência sexual. No entanto, estudos sinalizam que parte expressiva da violência contra mulheres permanece invisível no sistema de saúde, seja por subnotificação, seja por subnotificação, seja por rotulação inadequada dos códigos diagnósticos no SIH-SUS ou pelo redirecionamento das vítimas a serviços de urgência e pronto-atendimento que não exigem internação25,26.
As disparidades regionais observadas, com destaque para o Rio Grande do Norte e o Pará, sugerem uma complexa interação entre prevalência da violência, cobertura assistencial, cultura de notificação e acesso a serviços. Pesquisa recente sobre a distribuição geográfica da violência interpessoal no Brasil reforça a existência de “bolsões de alta incidência” relacionados à vulnerabilidade social, à fragilidade das redes de proteção e à impunidade dos agressores27-29.
As regras de associação identificadas por meio do algoritmo Apriori são particularmente relevantes do ponto de vista clínico-forense. A forte associação entre traumatismo de punho/mão e agressão por objeto cortante (Confidence 69,5%; Lift 3,14) pode refletir movimentos de defesa instintivos durante o ataque, como também já descrito em estudos de medicina legal30. Similarmente, a correlação entre fraturas craniofaciais e agressão por força corporal (Lift 2,99) reforça padrões reconhecidos de agressão direta e repetida, frequentemente associados a situações de violência doméstica grave31.
A modelagem LDA permitiu identificar nove perfis latentes de internações, revelando a heterogeneidade dos casos e evidenciando para a necessidade de abordagens assistenciais diferenciadas. O perfil mais prevalente, de mulheres jovens com politraumatismos decorrentes de agressão por objetos cortantes, levanta preocupações sobre a gravidade dos episódios de violência e suas repercussões físicas e emocionais. Estudos qualitativos têm demonstrado que mulheres jovens tendem a apresentar maior resistência em procurar ajuda formal, o que pode atrasar intervenções preventivas e agravar os desfechos clínicos32,33.
A partir da análise dos perfis, torna-se possível propor a estratificação do risco de reincidência, de agravamento clínico e de vulnerabilidade social. Iniciativas como a implantação de núcleos hospitalares de atendimento integral à mulher em situação de violência, e protocolos de notificação ativa e vigilância sentinela podem se beneficiar desses achados, aprimorando a articulação entre vigilância epidemiológica, assistência hospitalar e redes de proteção social34,35.
Internacionalmente, estudos36,37 têm demonstrado o potencial de técnicas de aprendizado de máquina na identificação de padrões ocultos de violência de gênero e na predição de risco, como evidenciado nas análises com uso de big data hospitalar ou de saúde pública, combinados com algoritmos de associação e clusterização36,37. Tais experiências reforçam a importância de investimentos em infraestrutura de dados e interoperabilidade nos sistemas de saúde, elementos ainda frágeis no contexto brasileiro38,39.
Nesse sentido, as recomendações da WHO7 para a transformação digital na saúde, especialmente no campo da Ciência de Dados, ressaltam que essa mudança deve ir além da mera digitalização de registros, envolvendo a reorganização sistêmica dos fluxos de informação com foco no usuário. Entre as propostas do documento, destaca-se a criação dos person-centred point of service systems (sistemas de ponto de serviço centrados na pessoa) e a incorporação de funcionalidades de apoio à decisão clínica, predição e vigilância automatizada são aspectos prioritários. A aplicação de algoritmos para identificação de padrões de violência hospitalar, como neste estudo, está alinhada à proposta da WHO7 de uso de tecnologias para reconhecer populações vulneráveis, identificar riscos e promover respostas personalizadas e intersetoriais em saúde.
Adicionalmente, o documento da WHO7 recomenda que, para garantir a efetividade dessas ferramentas, é essencial mapear os processos de trabalho e alinhar os requisitos funcionais às realidades locais, garantindo que os sistemas digitais apoiem tanto os profissionais de saúde quanto os gestores na tomada de decisão. O presente estudo contribui ao fornecer conhecimento sobre perfis clínico-epidemiológicos, podendo subsidiar em discussões futuras sobre aprimoramento de sistemas de informação e de apoio à decisão.
Apesar da robustez da base de dados e da metodologia aplicada, este estudo apresenta limitações. Tendências temporais e diferenças regionais podem refletir mudanças nos registros, no acesso e na oferta de serviços, e não necessariamente variações reais da violência. A subnotificação e o registro inadequado de códigos diagnósticos podem comprometer a validade interna. Além disso, o estudo abrange apenas internações hospitalares, não incluindo atendimentos em pronto-atendimento, na atenção primária ou casos que não chegam ao sistema de saúde, o que limita a validade externa e impede captar a magnitude mais ampla do fenômeno.
Em conclusão, este estudo caracterizou internações por violência contra mulheres no Brasil entre 2008 e 2023 e identificou padrões de associação entre diagnósticos e perfis clínico-demográficos por meio de técnicas não supervisionadas. Os resultados evidenciam que as internações se concentram sobretudo em mulheres jovens, pardas, atendidas em caráter de urgência e frequentemente submetidas a procedimentos cirúrgicos, com destaque para a forte associação entre lesões cortantes e politraumatismos. A heterogeneidade dos perfis identificados demonstra que a violência gera desfechos clínicos distintos, sugerindo necessidades assistenciais diferenciadas e grupos com maior vulnerabilidade.
Os achados deste estudo estão alinhados a marcos nacionais40,41 e internacionais6,7,42 que reconhecem a violência contra mulheres como um problema de saúde pública complexo e multifatorial. Ao identificar e organizar padrões clínico-epidemiológicos pouco explorados, o estudo contribui para preencher lacunas na literatura e oferece subsídios conceituais relevantes para discussões futuras sobre aprimoramento da vigilância, qualificação das bases de dados e desenvolvimento de ferramentas analíticas em saúde.
Referências
- 1 Silva BBA, Pereira RM, Rodrigues CMO, Fagundes RAA. Analyzing Patterns of Violence Against Women in Pernambuco Using Self-Organizing Maps and Apriori Algorithm. In: 2024 IEEE Latin American Conference on Computational Intelligence (LA-CCI). Bogota: IEEE; 2024. p. 1-6.
- 2 Mendonça CS, Machado DF, Almeida MASD, Castanheira ERL. Violência na Atenção Primária em Saúde no Brasil: uma revisão integrativa da literatura. Cien Saude Colet 2020; 25(6):2247-2257.
- 3 Lima GCC, Passos CMD, Pinheiro ALS, Ribeiro ÍJS, Maia EG. Temporal trend and epidemiological profile of notifications of violence against women in Brazil: 2014-2023. Epidemiol Serv Saude 2025; 34:e20240475.
- 4 Signorelli MC, Taft A, Pereira PPG. Domestic violence against women, public policies and community health workers in Brazilian Primary Health Care. Cien Saude Colet 2018; 23(1):93-102.
- 5 Vasconcelos NMD, Gomes CS, Souza JBD, Andrade FMDD, Bernal RTI, Machado EL, et al. Quem são as mulheres adultas expostas à violência no Brasil? Rev Saude Publica 2025; 59:e236103.
-
6 National Health Service (NHS). Department of Health and Social Care. Fit for the Future: 10 Year Health Plan for England [Internet]. 2025 [cited 2025 dez 10]. Available from: https://www.gov.uk/government/publications/10-year-health-plan-for-england-fit-for-the-future
» https://www.gov.uk/government/publications/10-year-health-plan-for-england-fit-for-the-future -
7 World Health Organization (WHO). Digital transformation handbook for primary health care: optimizing person-centred point of service systems [Internet]. 2024 [cited 2025 dez 9]. Available from: https://www.who.int/publications/i/item/9789240093362
» https://www.who.int/publications/i/item/9789240093362 - 8 Blei DM, Ng AY, Jordan MI. Latent dirichlet allocation. J Mach Learn Res 2003; 993-1022.
- 9 Shimaoka AM, Lopes LR, Junior ACDS, Bandiera-Paiva P. Health data preparation framework for unsupervised models (HealthDataPrep): A study with Alzheimer's disease mortality data from Brazil. Int J Health Manag Rev 2025; 11(1):e0407.
-
10 Brasil. DATASUS. Bases de Dados do DATASUS [Internet]. 2025 [acessado 2025 dez 9]. Disponível em: https://datasus.saude.gov.br/transferencia-de-arquivos/.
» https://datasus.saude.gov.br/transferencia-de-arquivos -
11 Brasil. DATASUS. CID-10 [Internet]. 2008 [acessado 2025 dez 9]. Disponível em: http://www2.datasus.gov.br/cid10/V2008/cid10.htm
» http://www2.datasus.gov.br/cid10/V2008/cid10.htm -
12 Brasil. DATASUS. SIGTAP [Internet]. 2025 [acessado 2025 dez 9]. Disponível em: http://tabela-unificada.datasus.gov.br/tabela-unificada/app/download.jsp
» http://tabela-unificada.datasus.gov.br/tabela-unificada/app/download.jsp -
13 Instituto Brasileiro de Geografia e Estatística (IBGE). Projeção da População [Internet]. 2024 [acessado 2025 dez 9]. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/populacao/9109-projecao-da-populacao.html
» https://www.ibge.gov.br/estatisticas/sociais/populacao/9109-projecao-da-populacao.html -
14 Brasil. Ministério da Saúde (MS). Guia de Vigilância em Saúde [Internet]. 2024 [acessado 2025 dez 9]. Disponível em: https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/svsa/vigilancia/guia-de-vigilancia-em-saude-volume-1-6a-edicao
» https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/svsa/vigilancia/guia-de-vigilancia-em-saude-volume-1-6a-edicao - 15 Bandiera-Paiva P, Shimaoka AM, Areco KCN, Ribeiro MB, Araujo LM, Junior ACS, Nascimento DD, Salvador ME, Mansur NS, Barbosa DA. Uso de Inteligência Artificial para análise da violência contra mulheres em São Paulo. Rev Saude Publica. No prelo 2025.
- 16 Agrawal R, Srikant R. Fast Algorithms for Mining Association Rules in Large Databases [Internet]. San Francisco: Morgan Kaufmann Publishers Inc; 1994 [acessado 2025 dez 9]. p. 487-99. Disponível em: https://dl.acm.org/doi/10.5555/645920.672836.
- 17 Cha S, Kim SS. Discovery of Association Rules Patterns and Prevalence of Comorbidities in Adult Patients Hospitalized with Mental and Behavioral Disorders. Healthcare 2021; 9(6):636.
- 18 Ma H, Ding J, Liu M, Liu Y. Connections between Various Disorders: Combination Pattern Mining Using Apriori Algorithm Based on Diagnosis Information from Electronic Medical Records. BioMed Res Int 2022; 2022(1):2199317.
- 19 Hipp J, Güntzer U, Nakhaeizadeh G. Algorithms for association rule mining - a general survey and comparison. ACM SIGKDD Explor Newsl 2000; 2(1):58-64.
- 20 Agrawal R, Imielinski T, Swami A. Mining association rules between sets of items in large databases. In: Proceedings of the 1993 ACM SIGMOD international conference on Management of data. Washington D.C.: ACM; 1993. p. 207-216.
- 21 Mustakim M, Wardoyo R, Mustofa K, Rahayu GR, Rosyidah I. Latent Dirichlet Allocation for Medical Records Topic Modeling: Systematic Literature Review. In: 2021 Sixth International Conference on Informatics and Computing (ICIC). Jakarta: IEEE; 2021. p. 1-7.
- 22 Gan J, Qi Y. Selection of the Optimal Number of Topics for LDA Topic Model-Taking Patent Policy Analysis as an Example. Entropy 2021; 23(10):1301.
- 23 Li W, Min X, Ye P, Xie W, Zhao D. Temporal topic model for clinical pathway mining from electronic medical records. BMC Med Inform Decis Mak 2024; 24(1):20.
- 24 Wang Y, Zhao Y, Therneau TM, Atkinson EJ, Tafti AP, Zhang N, Amin S, Limper AH, Khosla S, Liu H. Unsupervised machine learning for the discovery of latent disease clusters and patient subgroups using electronic health records. J Biomed Inform 2020; 102:103364.
- 25 Vasconcelos NMD, Bernal RTI, Souza JBD, Bordoni PHC, Stein C, Coll CDVN, Murray J, Malta DC. Subnotificação de violência contra as mulheres: uma análise de duas fontes de dados. Cien Saude Colet 2024; 29(10):e07732023.
- 26 Kind L, Orsini MDLP, Nepomuceno V, Gonçalves L, Souza GAD, Ferreira MFF. Subnotificação e (in)visibilidade da violência contra mulheres na atenção primária à saúde. Cad Saude Publica 2013; 29(9):1805-1815.
- 27 Soares MLM, Guimarães NGM, Bonfada D. Tendência, espacialização e circunstâncias associadas às violências contra populações vulneráveis no Brasil, entre 2009 e 2017. Cien Saude Colet 2021; 26(11):5751-5763.
-
28 Instituto de Pesquisa Econômica Aplicada (Ipea). Atlas da Violência 2025 [Internet]. 2025 [acessado 2025 jul 30]. Disponível em: https://www.ipea.gov.br/atlasviolencia/arquivos/artigos/5999-atlasdaviolencia2025.pdf
» https://www.ipea.gov.br/atlasviolencia/arquivos/artigos/5999-atlasdaviolencia2025.pdf - 29 Cassini MRDOL, Ribeiro AP, Oliveira GL. Lacunas na abordagem da violência sexual contra a mulher: a quem de fato estamos protegendo? Cad Saude Publica 2024; 40(7):e00058424.
- 30 Das NG, Das N, Sil A. Pattern and Forensic Significance of Defense Injuries in Homicide Cases: A Cross-Sectional Study. Cureus 2025; 17(3):e79959.
- 31 Dourado SDM, Noronha CV. Marcas visíveis e invisíveis: danos ao rosto feminino em episódios de violência conjugal. Cien Saúde Colet 2015; 20(9):2911-2920.
- 32 Prosman G, Lo Fo Wong SH, Lagro-Janssen ALM. Why abused women do not seek professional help: a qualitative study. Scand J Caring Sci 2014; 28(1):3-11.
- 33 Kiss L, d'Oliveira AFL, Zimmerman C, Heise L, Schraiber LB, Watts C. Brazilian policy responses to violence against women: government strategy and the help-seeking behaviors of women who experience violence. Health Hum Rights 2012; 14(1):E64-E77.
- 34 Minayo MCDS, Souza ERD, Silva MMAD, Assis SGD. Institucionalização do tema da violência no SUS: avanços e desafios. Cien Saude Colet 2018; 23(6):2007-2016.
- 35 Avanci JQ, Oliveira QBM, Assis SGD. Ações de vigilância das violências em serviços da atenção primária, hospitalar e de reabilitação no Brasil. Cien Saude Colet 2025; 30(3):e17372024.
- 36 Bernal-Monroy ER, Castañeda-Monroy ED, Rentería-Ramos RR, Campaña-Bastidas SE, Barrera J, Palacios-Yampuezan TM, et al. Detection of Victimization Patterns and Risk of Gender Violence Through Machine Learning Algorithms. Informatics 2025; 12(1):21.
- 37 González-Prieto Á, Brú A, Nuño JC, González-Álvarez JL. Hybrid machine learning methods for risk assessment in gender-based crime. Knowl-Based Syst 2023; 260:110130.
- 38 Coelho Neto GC, Andreazza R, Chioro A. Integração entre os sistemas nacionais de informação em saúde: o caso do e-SUS Atenção Básica. Rev Saude Publica 2021; 55:93.
- 39 Chiavegatto Filho ADP. Uso de big data em saúde no Brasil: perspectivas para um futuro próximo. Epidemiol Serv Saude 2015; 24(2):325-332.
-
40 Brasil. Ministério da Saúde (MS). Plano Nacional de Saúde 2024-2027 - CIDES [Internet]. 2024 [acessado 2025 jul 31]. Disponível em: https://cides.se.gov.br/wp-content/uploads/2025/03/PLANO-NACIONAL-DE-SAUDE-2024-2027.pdf
» https://cides.se.gov.br/wp-content/uploads/2025/03/PLANO-NACIONAL-DE-SAUDE-2024-2027.pdf -
41 Brasil. Ministério da Saúde (MS). Departamento de Informática do SUS. Estratégia de Saúde Digital para o Brasil 2020-2028 [Internet]. 2020 [acessado 2025 jul 30]. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/estrategia_saude_digital_Brasil.pdf
» https://bvsms.saude.gov.br/bvs/publicacoes/estrategia_saude_digital_Brasil.pdf -
42 Organização Pan-Americana da Saúde (OPAS). Plano Estratégico da Organização Pan-Americana da Saúde 2020-2025 [Internet]. 2020 [acessado 2025 jul 30]. Disponível em: https://iris.paho.org/bitstream/handle/10665.2/52968/9789275722756_por.pdf
» https://iris.paho.org/bitstream/handle/10665.2/52968/9789275722756_por.pdf
As fontes de dados utilizados na pesquisa estão indicadas no corpo do artigo.
Fonte: Shimaoka et al.
Fonte: Autores, 2025.