Este trabalho propõe um método para hierarquizar a contribuição de diferentes estratégias para conter a evolução da pandemia de COVID-19 em diferentes estados do Brasil, nos períodos pré- e pós-vacinação. O método proposto incluiu o aprendizado automático de modelos de regressão utilizando o algoritmo de aprendizado de máquina XGBoost, e aplicou a teoria dos jogos cooperativos de Shapley para quantificar a contribuição das características analisadas para a variável-alvo. Para interpretar o modelo globalmente, foi usado o SHapley Additive exPlanations (SHAP), que é um algoritmo baseado na teoria de Shapley. Os resultados de avaliação do método apontaram a sua eficácia para quantificar a contribuição de cada variável de forma robusta, e revelam que os percentuais de cobertura vacinal de primeira e segunda dose, além do fechamento das escolas, foram as medidas que tiveram maior contribuição na evolução do número de casos e óbitos por COVID-19. A ponderação das variáveis pode ajudar os atores responsáveis na elaboração de políticas públicas para minimizar os efeitos socioeconômicos em suas regiões, dado que o Brasil é um país que possui extrema desigualdade social.