Refina a seção de resultados e discussão

texto/03-exemplo/main.tex

@@ -125,3 +125,21 @@ \subsection{Resultados e discussão}
     \caption{Classificações para o conjunto de dados de teste.}
     \label{fig:matriz}
 \end{figure}
+
+Neste exemplo, buscou-se predizer melhora nos níveis de sintomas depressivos após uma intervenção de psicologia positiva via internet usando um modelo de aprendizagem de máquina do tipo árvore de
+decisão. Foi possível, mesmo com um conjunto de dados de tamanho pequeno, construir um modelo funcional e com desempenho razoável, alcançando cerca de $70\%$ de acurácia. O resultado obtido alinha-se
+com uma série achados recentes, onde, com técnicas similares, as características sociodemográficas e clínicas de pacientes foram usadas para predizer o desfecho de psicoterapia com sucesso \cite{Collins2023, Hornstein2021}.
+A incorporação desse tipo de tecnologia na prática de psicoterapia permitiria a personalização de tratamentos com maiores níveis de assertividade: com auxílio de modelos de aprendizagem de máquina, o
+psicoterapeuta poderia estimar as chances de sucesso de diversas intervenções a um custo relativamente baixo, escolhendo aquela que julgar mais adequada.
+
+O modelo construído possui uma representação gráfica intuitiva que evidencia os critérios usados no processo de classificação das observações. A capacidade de inspecionar o funcionamento do modelo
+é uma característica altamente desejável, pois permite que o psicoterapeuta use informações adicionais sobre o contexto do paciente para avaliar a qualidade da predição feitas pelo modelo, aumentando
+a confiança nas decisões clínicas tomadas com auxílio desse tipo de tecnologia \cite{Stiglic2020, WHO2023}. A capacidade de interpretar as predições é uma característica particular de alguns tipos de modelos,
+como as árvores de decisão; outras classes de modelos de aprendizagem de máquina não podem ser facilmente inspecionadas. As redes neurais artificiais, por exemplo, são uma classe de modelos de aprendizagem
+de máquina que apresenta alta capacidade de aprendizagem e grande poder preditivo, mas não oferecem transparência em relação a seu funcionamento \cite{Stiglic2020}. A possibilidade de inspecionar classes
+de modelos mais complexos é um problema de pesquisa em aberto e uma condição necessária para a implantação da tecnologia no contexto de atuação profissional em saúde mental \cite{Stiglic2020, WHO2023}.
+
+Observa-se que o modelo final apresenta um viés de classificação que favorece a produção de falsos positivos, a atribuição da classe respondente a pacientes que não respondem ao tratamento. O viés fica evidente
+na métrica de precisão de $50\%$: apenas metade das predições positivas produzidas pelo modelo estavam corretas. O uso de modelos com esse tipo de viés poderia resultar em um grande número de pacientes encaminhados
+para intervenções com poucas chance de sucesso. O surgimento do viés pode ser atribuído, em parte, ao pequeno número de observações disponíveis para o treinamento do modelo. Além disso, observou-se o desbalanceamento
+de classes no conjunto de dados de treinamento, com grande parte das observações sendo de pacientes não respondentes, o que pode ter prejudicado a capacidade do modelo de identificar pacientes respondentes.

texto/references.bib

@@ -447,4 +447,32 @@ @article{Collins2023
   year = {2023},
   month = sep,
   pages = {675-685}
+}
+
+@article{Hornstein2021,
+  title = {Predicting therapy outcome in a digital mental health intervention for depression and anxiety: A machine learning approach},
+  volume = {7},
+  ISSN = {2055-2076},
+  url = {http://dx.doi.org/10.1177/20552076211060659},
+  DOI = {10.1177/20552076211060659},
+  journal = {DIGITAL HEALTH},
+  publisher = {SAGE Publications},
+  author = {Hornstein,  Silvan and Forman-Hoffman,  Valerie and Nazander,  Albert and Ranta,  Kristian and Hilbert,  Kevin},
+  year = {2021},
+  month = jan,
+  pages = {205520762110606}
+}
+
+@article{Stiglic2020,
+  title = {Interpretability of machine learning-based prediction models in healthcare},
+  volume = {10},
+  ISSN = {1942-4795},
+  url = {http://dx.doi.org/10.1002/widm.1379},
+  DOI = {10.1002/widm.1379},
+  number = {5},
+  journal = {WIREs Data Mining and Knowledge Discovery},
+  publisher = {Wiley},
+  author = {Stiglic,  Gregor and Kocbek,  Primoz and Fijacko,  Nino and Zitnik,  Marinka and Verbert,  Katrien and Cilar,  Leona},
+  year = {2020},
+  month = jun 
 }