PGSC/CCBS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: EMMANUELLE NOVAES DE VASCONCELOS BRITO
DATA: 26/05/2026
HORA: 14:00
LOCAL: Sala de aula da Pós-Graduação em Saúde Coletiva - UFMA
TÍTULO: PREDIÇÃO DE NASCIMENTO PRÉ-TERMO EXTREMO EM DUAS CIDADES BRASILEIRAS
PALAVRAS-CHAVES: Saúde materno-infantil. Coorte de nascimento. Recém-nascido prematuro. Prematuridade extrema. Aprendizado de Máquina.
PÁGINAS: 172
GRANDE ÁREA: Ciências da Saúde
ÁREA: Saúde Coletiva
SUBÁREA: Saúde Pública
RESUMO: Objetivo: Determinar e avaliar modelos preditivos baseados em técnicas de aprendizado de máquina (AM) para identificar preditores de nascimento pré-termo (NPT) extremo, em nascidos vivos de duas cidades brasileiras. Métodos: Trata-se de um estudo analítico de natureza transversal. O conjunto de dados analisado foi proveniente das coortes BRISA de pré- natal e nascimento de 2010 em São Luís-Maranhão e Ribeirão Preto-São Paulo, Brasil, compostas por mulheres com gestação única/crianças, atendidas em serviços públicos e privados dos municípios de São Luís (SL) e Ribeirão Preto (RP). A amostra foi composta por 6.414 mulheres/crianças em São Luís e 8.273 em Ribeirão Preto, totalizando 14.687 observações. Selecionamos com base em especialistas e na literatura 121 variáveis comuns de SL e RP com 14.687 observações e desfecho(N=107), para o cenário 1; 121 variáveis apenas de SL com 6.414 observações e N=55, no cenário 2 e 119 variáveis apenas de RP com 8.274 observações e N=45 para o cenário 3, relacionadas a fatores socioeconômicos, demográficos, ambientais, reprodutivos, comportamentais e atenção à saúde materna, assistência pré-natal e ao parto, como potenciais preditoras ao NPT extremo. Aplicaram-se 14 algoritmos de aprendizado de máquina(AM) em cada cenário, para construção do modelo, os quais apresentam bom desempenho em estudos anteriores para predição de NPT e NPT extremo: regressão logística penalizada(plr), máquinas de vetor de suporte(svmLinear e svmRadial), florestas aleatórias(rf, ranger e Rborist), boosting(glmboost e AdaBoost.M1), métodos baseados em vizinhança(Knn e KKnn), redes neurais artificiais(nnet), árvores e modelos baseados em partição( cforest e ctree2) e modelos aditivos generalizados(gam). O desempenho foi avaliado por métricas como acurácia, sensibilidade, especificidade e área sob a curva AUC ROC. Resultados: Diante dos números de observações existente e seus desfechos(N), os cenários resultam em desbalanceamento de dados. Nos três cenários (SL-RP, SL e RP), o desempenho variou entre os modelos: No cenário SL-RP, o gam apresentou sensibilidade de 0.768, AUC- ROC de 0.865 e F1-score de 0.052. No cenário SL, o modelo glmboost obteve sensibilidade de 0.703, AUC-ROC de 0.757 e F1-score de 0.043. Já no cenário RP, o nnet apresentou os melhores resultados, com AUC-ROC de 0.915, sensibilidade de 0.858 e F1-score de 0.052. Em geral, nnet e gam se destacaram pelos maiores valores de AUC-ROC e sensibilidade, apresentaram melhor desempenho para prever o NPT extremo. As 7 variáveis preditoras foram: quantidade de consultas realizada(s) com médico(a) no pré-natal, quantidade de consultas realizada(s) com enfermeiro(a) no pré-natal, ocupação da mãe, ameaça de aborto na gestação atual, renda familiar, gravidez atual planejada, diagnóstico de hipertensão antes ou durante a gestação, destaque quantidade de consultas realizada(s) com médico(a) no pré-natal. Conclusão: É possível predizer, com robustez, a ocorrência de NPT extremo, utilizando variáveis socioeconômicas, de acesso ao pré-natal, saúde materna e características do feto. A identificação precoce de bebês em risco pode impactar positivamente a qualidade de vida da mãe e do recém-nascido. As descobertas deste estudo podem estimular investigações semelhantes, testando diferentes técnicas, populações e contextos clínicos, para o enfrentamento de um dos principais desafios de saúde neonatal.
MEMBROS DA BANCA:
Presidente - 1651131 - ERIKA BARBARA ABREU FONSECA THOMAZ
Interno - 407662 - ALCIONE MIRANDA DOS SANTOS
Externo à Instituição - MARIA DA CONCEIÇÃO PEREIRA SARAIVA - USP
Co-orientador - 2019434 - BRUNO FERES DE SOUZA