¿Puede el <i>Net Promoter Score</i> predecir el <i>Primary Care Assessment Tool</i>? Un enfoque de aprendizaje por transferencia

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

doi:10.1590/1413-81232026315.23482025

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

¿Puede el Net Promoter Score predecir el Primary Care Assessment Tool? Un enfoque de aprendizaje por transferencia

Autoría SCIMAGO INSTITUTIONS RANKINGS

Este estudio tuvo como objetivo evaluar la viabilidad del NPS (Net Promoter Score) como predictor parsimonioso del Primary Care Assessment Tool (PCAT). Los datos utilizados provienen de una encuesta transversal realizada en Río de Janeiro en 2024, incluyendo muestras independientes de adultos y niños. Los conjuntos de datos se dividieron en entrenamiento (70%) y prueba (30%). El principal predictor fue el NPS, complementado con 44 variables para adultos y 39 para la población pediátrica. Se evaluaron seis algoritmos de machine learning. Tras el análisis, se seleccionaron seis variables para adultos sin pérdida de endimiento del modelo: NPS, edad, años de escolaridad, atención consistente por el mismo médico, número de usos del servicio, y número de hijos. Para niños, se seleccionaron cuatro variables similares: NPS, edad (del encuestado), años de escolaridad, atención consistente por el mismo médico. Los modelos predictivos mostraron mejor rendimiento en población infantil (AUC=0,82) que en adultos (AUC=0,76). El enfoque de transfer learning demostró solidez al adaptar el modelo de adultos a datos pediátricos. Este estudio comprobó que un modelo basado en el NPS y un conjunto mínimo de variables adicionales puede estimar efectivamente los puntajes del PCAT.

Palabras clave:
Atención Primaria de Salud; Evaluación en salud; Río 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 Acompanhe os números deste periódico no seu leitor 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.