0042/2026 - O Net Promoter Score pode predizer o Primary Care Assessment Tool? Uma abordagem de transfer learning Can the Net Promoter Score predict the Primary Care Assessment Tool? A transfer learning approach
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. Participaram 968 adultos e 985 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.
Keywords:
atenção primária à saúde, avaliação em saúde, Rio de Janeiro.
Can the Net Promoter Score predict the Primary Care Assessment Tool? A transfer learning approach
Abstract(resumo):
This study aims to evaluate the viability of the NPS as a parsimonious predictor of the Primary Care Assessment Tool (PCAT). The data used in this study were obtained from a cross-sectional survey conducted in Rio de Janeiro in 2024, including adults and children in separate samples. A total of 968 adults and 985 children participated in the study. Both dataset was divided into training (70%) and test (30%) sets. The main predictor was the NPS. Additional predictors consisted of 44 variables for adults and 39 for pediatric populations. Six machine learning algorithms were assessed. After evaluating all variables, six variables were selected for adult sample without showing a decrease in the model performance: 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. Four similar variables were selected for the children sample: 1) NPS, 2) age (respondent), 3) years of education, 4) the same doctor was seen consistently. We observed a superior performance of predictive models in the children population (AUC=0.82) compared to adults (AUC=0.76). The transfer learning approach achieved robust performance in adapting the adult-derived model to children's data. This study demonstrated that a predictive model based on NPS and a minimal set of additional variables can effectively estimate PCAT scores.
Keywords(palavra-chave):
primary health care, health evaluation, Rio de Janeiro
Chisini, LA, D’Avila, OP, Ribeiro, MC, Harzheim, E, Pinto, LF. O Net Promoter Score pode predizer o Primary Care Assessment Tool? Uma abordagem de transfer learning. Cien Saude Colet [periódico na internet] (2026/Feb). [Citado em 14/08/2026].
Está disponível em: http://www.cienciaesaudecoletiva.com.br/en/articles/o-net-promoter-score-pode-predizer-o-primary-care-assessment-tool-uma-abordagem-de-transfer-learning/19940
