RENORBIO/CCBS

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: REBECA COSTA CASTELO BRANCO
DATA: 15/08/2024
HORA: 15:00
LOCAL: videoconferência
TÍTULO: PREDIÇÃO DE SÍNDROME METABÓLICA EM CRIANÇAS E ADOLESCENTES COM OBESIDADE UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINAS
PALAVRAS-CHAVES: Obesidade infanto-juvenil. Síndrome metabólica. Aprendizado de máquinas.
PÁGINAS: 98
GRANDE ÁREA: Multidisciplinar
ÁREA: Biotecnologia
RESUMO: A prevalência de obesidade e sobrepeso entre crianças e adolescentes tem aumentado consideravelmente nas últimas quatro décadas. Como o excesso ponderal é considerado o principal fator de risco para o desenvolvimento de síndrome metabólica (SM), cada vez mais crianças e adolescentes estão sendo diagnosticadas com esse problema. Para prevenir a síndrome metabólica nessa faixa etária, o desenvolvimento de modelos preditivos para identificar potenciais indivíduos de alto risco é de grande utilidade. Objetiva-se desenvolver uma ferramenta baseada em aprendizado de máquinas para predição de síndrome metabólica em crianças e adolescentes com obesidade através de parâmetros clínicos e laboratoriais. A pesquisa trata-se de um estudo clínico, descritivo e transversal. A amostra foi composta por crianças e adolescentes com síndrome metabólica acompanhados no ambulatório de Endocrinologia Pediátrica do Hospital Universitário da Universidade Federal do Ceará (HU- UFC) de janeiro 2018 a outubro de 2023. Foram avaliados dados sócio-demográficos, hábitos alimentares e de estilo de vida, indicadores clínicos, laboratoriais e parâmetros antropométricos. O método de aprendizado de máquina supervisionado, onde o algoritmo é treinado a partir de um conjunto de exemplos rotulados com o objetivo de aprender uma função desejada. As redes neurais de aprendizado profundo “aprendem” com maior precisão a complexidade das relações entre os diversos dados cujos modelos são altamente não lineares, além de recentemente apresentarem resultados superiores aos encontrados por outros modelos. A proposta é utilizar algoritmos de aprendizado profundo baseado em rede neural convolucional. Houve prevalência de 22% de síndrome metabólica, sendo 58% dos pacientes do sexo masculino. Quanto à classificação do IMC, 55% estavam com obesidade grave. A taxa de aleitamento materno exclusivo foi de 67%. O tempo de exposição a telas foi maior que 2 horas em 88% dos examinados. Apenas 27% dos pacientes praticavam atividade física. A obesidade estava presente em ambos os pais em 44% dos entrevistados. A média da Circunferência Abdominal, relação CA/E e Circunferência do Pescoço foi respectivamente 105, 0,66 e 38,3 cm. Observou- se que 84% tinham acantose, 41% HAS e mais de 70% dos investigados tinham dislipidemia. O algoritmo Regressão Linear mostrou-se um bom preditor para rastreamento de SM, tendo seu desempenho avaliado pela curva ROC (AUC=0,92). Uma parte significativa dos participantes mostrou fatores de risco analisados e associação entre excesso de peso e elementos da síndrome.
MEMBROS DA BANCA:
Externo à Instituição - EWALDO EDER CARVALHO SANTANA - UEMA
Interno - 2250598 - MARIA DO SOCORRO DE SOUSA CARTAGENES
Externo ao Programa - 7549183 - VANDA MARIA FERREIRA SIMOES