Estudante: Murilo Freire Oliveira Araújo
Orientação: Maria da Conceição Chagas de Almeida
Coorientação: Ana Luísa Patrão e Daniela Polessa Paula
Título da tese: “DESENVOLVIMENTO DE UMA FERRAMENTA PARA PREDIÇÃO DE HIPERTENSÃO ARTERIAL E DIABETES RELACIONADAS AO ESTILO DE VIDA NO ELSA-Brasil”
Programa: Pós-Graduação em Biotecnologia em Saúde e Medicina Investigativa
Data de defesa: 30/01/2024
Horário: 09h00
Local: Sala Virtual do Zoom
ID da reunião: 884 3180 3576
Senha de acesso: murilo

Resumo:

INTRODUÇÃO: As doenças crônicas não transmissíveis (DCNT) são um grande desafio global de saúde, representando uma proporção significativa de mortes prematuras e tendo impactos econômicos e sociais. Seus fatores de risco dividem-se em biológicos e comportamentais e, entre estes últimos, estima-se que quatro comportamentos – tabagismo, consumo excessivo de álcool, atividade física insuficiente e dieta inapropriada são responsáveis por mais da metade das mortes em países ocidentais. Por meio do uso de técnicas de aprendizagem de máquina é possível criar um software preditor que, com base em informações sociodemográficas e de estilo de vida, possa estimar com confiança o risco de hipertensão e diabetes, destacando a importância das mudanças no estilo de vida para a saúde. OBJETIVO: Desenvolver uma ferramenta computacional utilizando indicadores relacionados aos comportamentos de estilo de vida para predizer o surgimento do diabetes e hipertensão em participantes do Estudo Longitudinal de Saúde do Adulto (ELSA-Brasil). MATERIAL E MÉTODOS: Os dados foram obtidos a partir do Estudo Longitudinal de Saúde do Adulto (ELSA-Brasil), importados no ambiente Python e tratados. Em seguida seguiu-se a etapa de análise estatística dos dados. O próximo passo foi executar o método de validação cruzada usando Forward Feature Selection para obtenção do score prévio sobre os dados. Após isto, os dados foram submetidos aos algoritmos de aprendizagem de máquina, em que se obteve resultados com e sem ajustes de hiper parâmetros. Por último, os modelos com melhor performance foram exportados para o desenvolvimento do software preditor que foi construído em Python utilizando a biblioteca PySimpleGUI. RESULTADOS: Da população do estudo, 35,9% apresentaram hipertensão arterial e 16,0% diabetes. A média de acurácia para predição de hipertensão arterial foi 0,69 e 0,84 para diabetes. Quanto à importância das características, os principais preditores para hipertensão arterial foram sexo, faixa etária, raça/cor e consumo excessivo de álcool e para diabetes foram sexo, faixa etária e prática de atividade física. O somatório de estilo de vida apresentou participação relevante na predição. Vários modelos apresentaram resultados semelhantes, selecionou-se os modelos utilizando Random Forest tanto para hipertensão quanto para diabetes. Os modelos foram exportados e utilizados para a construção do software preditor. CONCLUSÃO: A aprendizagem de máquina se mostra eficaz na previsão de doenças como hipertensão e diabetes com base em dados sociodemográficas e de estilo de vida. Este estudo destaca o potencial dos modelos de aprendizado de máquina para compreender e apoiar ações em saúde para o enfrentamento destas doenças.

[print-me]