PGSC/CCBS

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ANA TAMIRES JARDIM
DATA: 01/07/2026
HORA: 14:00
LOCAL: Sala de aula da Pós-Graduação em Saúde Coletiva - UFMA
TÍTULO: PREDIÇÃO DO CRESCIMENTO PONDERAL NOS PRIMEIROS 1000 DIAS USANDO ALGORITMOS DE MACHINE LEARNING: COORTES BRISA
PALAVRAS-CHAVES: Desenvolvimento Infantil; Algoritmos de Aprendizado de Máquina; Determinantes Sociais da Saúde
PÁGINAS: 112
GRANDE ÁREA: Ciências da Saúde
ÁREA: Saúde Coletiva
RESUMO: Evidências científicas demonstram que os primeiros 1.000 dias de vida são determinantes para a saúde a longo prazo, de modo que as inadequações do crescimento infantil nesse período continuam sendo problemas significativos de saúde pública em muitos países de baixa e média renda, incluindo o Brasil. Esta tese tem por objetivo predizer diferentes indicadores de crescimento ponderal até os dois anos de idade por meio de algoritmos de machine learning, utilizando variáveis preditoras referentes aos primeiros 1.000 dias de vida. O primeiro artigo teve por objetivo investigar fatores intergeracionais associados ao sobrepeso e à obesidade em crianças de até 24 meses de idade do estudo de coorte Brisa. Dados de 3995 crianças que participaram da coorte Brisa, em São Luís, foram analisados. Consideramos a classificação de sobrepeso ou obesidade em crianças com z-escore do índice de massa corporal (IMC) para a idade ≥ 2. Avaliamos este desfecho como uma variável dicotômica em modelos de regressão de Poisson com variância robusta (alpha=5%), estimando-se riscos relativos (RR) não ajustados e ajustados, com modelagem hierarquizada. Uma classe econômica maior [RR: 1,07; IC 95%: 0,99-1,01], início tardio do pré-natal [RR:1,04; IC 95%:1,01-1,07], realização de ≥ 6 consultas no pré-natal [RR:1,01; IC 95%:1,01-1,07], ser do sexo masculino [RR:1,03; IC 95%:1,01-1,03] e nascer com sobrepeso e obesidade [RR:1,10; IC 95%:1,01-1,10] foram associado à um maior risco de sobrepeso e obesidade ao final dos 1000 dias. O artigo 2 teve por objetivo desenvolver um modelo preditivo baseado em aprendizado de máquina para identificar precocemente a falha na recuperação do crescimento ponderal durante os primeiros 1.000 dias de vida em crianças com baixo peso ao nascer, pequenas para a idade gestacional ou prematuras. Utilizando dados retrospectivos da Coorte BRISA, foram analisados os registros clínicos de 1.508 crianças. A falha na recuperação do crescimento ponderal foi definida como escore z de peso < -0,67 até os 2 anos de idade. Os preditores avaliados incluíram características demográficas, condições maternas e pré-natais, dados do nascimento e informações do primeiro ano de vida. Foram testados cinco algoritmos de aprendizado de máquina (regressão logística, SVM, XGBoost, árvore de decisão e Random Forest). O desempenho dos modelos foi avaliado por meio da área sob a curva ROC (AUC), sensibilidade, especificidade e acurácia, enquanto a interpretabilidade foi investigada por meio dos valores SHAP. O algoritmo Random Forest apresentou o melhor desempenho entre os modelos avaliados no conjunto de teste (AUC = 0,75; acurácia = 74%; sensibilidade = 88%; e especificidade = 51%). A análise de interpretabilidade revelou que a classificação da prematuridade, as condições maternas e os determinantes sociais da saúde, incluindo a raça/cor da mãe, foram os principais fatores associados ao risco de falha na recuperação do crescimento ponderal. Os resultados desta tese evidenciam que as inadequações do crescimento ponderal nos primeiros 1.000 dias de vida são determinadas por uma complexa interação entre fatores biológicos, maternos, assistenciais e sociais. Dessa forma, a incorporação de abordagens preditivas baseadas em dados aos sistemas de atenção materno-infantil pode favorecer a tomada de decisão em saúde, contribuindo para a redução das iniquidades e para a promoção de trajetórias de crescimento mais saudáveis na infância.
MEMBROS DA BANCA:
Co-orientador - 2019434 - BRUNO FERES DE SOUZA
Interno - 035.010.843-90 - ELISA MIRANDA COSTA
Presidente - 1651131 - ERIKA BARBARA ABREU FONSECA THOMAZ
Externo à Instituição - JOÃO RICARDO NICKENIG VISSOCI - DUKE