Abstract Brazil has a high rate of homicide, whose increase in recent years seems to be closely related to the expansion of the illegal drug market. This study aims to analyze the role that socioeconomic factors (family instability, ethnic heterogeneity, unemployment rate, and average income) play in this escalation. The study uses pooled regression models and fixed and random effects, with panel data from 27 Brazilian states for the period 2006–2015. The results indicate that the illegal drug trade is positively correlated with the mortality rates in Brazil during 2006-2015. Furthermore, the results show family instability, ethnic heterogeneity, unemployment rate, and average income as crime enhancers. This research brings insights that help develop a better interpretation of Brazilian lethal violence: in the 1980s and 1990s, violence was mainly explained by economic factors. This study points to the fact that phenomena linked to social disorder are also correlated with the level of homicides in Brazilian states. Therefore, this paper contributes to the literature by incorporating other elements that suggest alternatives to mitigate violent crime in Brazil.

Resumo O Brasil apresenta um alto índice de homicídios, cujo aumento nos últimos anos parece estar intimamente relacionado à expansão do mercado ilegal de drogas. Este estudo tem como objetivo analisar o papel que fatores socioeconômicos (instabilidade familiar, heterogeneidade étnica, taxa de desemprego e renda média) desempenham nessa escalada. O trabalho utiliza modelos de regressão pooled, efeitos fixos e aleatórios, com dados em painel de 27 estados brasileiros para o período 2006–2015. Os resultados indicam que o comércio ilegal de drogas está positivamente correlacionado com as taxas de mortalidade para o Brasil no período 2006-2015. Além disso, os resultados mostram os papéis da instabilidade familiar, heterogeneidade étnica, taxa de desemprego e renda média como potencializadores do crime. Esta pesquisa traz insights que ajudam a desenvolver uma melhor interpretação da violência letal brasileira: nos anos 80 e 90, a violência era explicada principalmente por fatores econômicos, este estudo aponta para o fato de fenômenos ligados à desordem social também estarem correlacionados com o nível de homicídios nos estados brasileiros. Portanto, este trabalho contribui com a literatura ao incorporar outros elementos que sugerem alternativas para mitigar a criminalidade violenta no Brasil.

ABSTRACT This work makes use of artificial intelligence to contribute with empirical evidence that help predict death by COVID-19, enabling the improvement of health protocols used in health systems in Brazil and providing society with more tools to combat COVID-19. Data from January to September 2021 for Brazil are used in order to predict death by COVID-19 based on the clinical status of patients who used the Unified Health System in the studied period, in which three classification algorithms were tried: Logistic Regression (LR), Decision Tree (DT), and Random Forest (RF). The LR, DT, and RF models had a mean accuracy of 76%, 76%, and 77% in predicting death, respectively. In addition, it was possible to infer that when patients reach a point that require the use of ventilatory support and ICU, added to age, their chance of dying of COVID-19 is greater.

RESUMO Este trabalho fez uso da inteligência artificial para contribuir com evidências empíricas que auxiliem na previsão de morte por Covid-19, possibilitando a melhoria de protocolos de saúde utilizados em sistemas de saúde no Brasil e dotando a sociedade com mais ferramentas de combate a essa doença. Utilizaram-se dados de janeiro a setembro de 2021 para o Brasil com o objetivo de prever morte por Covid-19, tomando por base o quadro clínico de pacientes que utilizaram o Sistema Único de Saúde no período estudado. Três algoritmos de classificação foram experimentados: Logistic Regression (LR), Decision Tree (DT) e Random Forest (RF). Os modelos LR, DT e RF tiveram uma acurácia média de, respectivamente, 76%, 76% e 77% na previsão de morte. Além disso, foi possível inferir que, quando o paciente chega a um ponto que necessita do uso de suporte ventilatório e de Unidade de Terapia Intensiva, somado à idade, sua chance de ir a óbito por Covid-19 é maior.

ABSTRACT This work makes use of artificial intelligence to contribute with empirical evidence that help predict death by COVID-19, enabling the improvement of health protocols used in health systems in Brazil and providing society with more tools to combat COVID-19. Data from January to September 2021 for Brazil are used in order to predict death by COVID-19 based on the clinical status of patients who used the Unified Health System in the studied period, in which three classification algorithms were tried: Logistic Regression (LR), Decision Tree (DT), and Random Forest (RF). The LR, DT, and RF models had a mean accuracy of 76%, 76%, and 77% in predicting death, respectively. In addition, it was possible to infer that when patients reach a point that require the use of ventilatory support and ICU, added to age, their chance of dying of COVID-19 is greater.

RESUMO Este trabalho fez uso da inteligência artificial para contribuir com evidências empíricas que auxiliem na previsão de morte por Covid-19, possibilitando a melhoria de protocolos de saúde utilizados em sistemas de saúde no Brasil e dotando a sociedade com mais ferramentas de combate a essa doença. Utilizaram-se dados de janeiro a setembro de 2021 para o Brasil com o objetivo de prever morte por Covid-19, tomando por base o quadro clínico de pacientes que utilizaram o Sistema Único de Saúde no período estudado. Três algoritmos de classificação foram experimentados: Logistic Regression (LR), Decision Tree (DT) e Random Forest (RF). Os modelos LR, DT e RF tiveram uma acurácia média de, respectivamente, 76%, 76% e 77% na previsão de morte. Além disso, foi possível inferir que, quando o paciente chega a um ponto que necessita do uso de suporte ventilatório e de Unidade de Terapia Intensiva, somado à idade, sua chance de ir a óbito por Covid-19 é maior.