PGSC/CCBS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: HELOISA BAIMA DA SILVA SANTOS
DATA: 11/02/2026
HORA: 14:00
LOCAL: Sala de aula do PPGSC
TÍTULO: USO DE TÉCNICAS DE APRENDIZADO DE MÁQUINA PARA ESTIMAÇÃO DE GORDURA CORPORAL EM ADULTOS BRASILEIROS
PALAVRAS-CHAVES: composição corporal; aprendizado de máquina; algoritmos; antropometria.
PÁGINAS: 111
GRANDE ÁREA: Ciências da Saúde
ÁREA: Saúde Coletiva
SUBÁREA: Epidemiologia
RESUMO: Considerando a frequência crescente de obesidade no Brasil e no mundo, as limitações do Índice de Massa Corporal (IMC) em diferenciar massa magra de massa gorda, bem como a ausência de um método para avaliar o percentual de gordura corporal (%GC) de forma precisa e acessível, este estudo propôs- se a desenvolver modelos capazes de estimar o %GC de adultos, a partir de dados demográficos e medidas antropométricas simples, através de técnicas de Aprendizado de Máquina (AM). Todas as análises estatísticas e a construção dos modelos foram realizadas na linguagem de programação R. A população do estudo foi constituída por 7.085 adultos com 22 e 30 anos, pertencentes às coortes de Pelotas-RS de 1993 e de 1982, respectivamente. Os valores do IMC dos participantes do estudo foram calculados e classificados conforme a Organização Mundial da Saúde. Os indivíduos foram categorizados, ainda, com base nos valores de %GC, em obesos (≥ 25% para homens e ≥ 32% para mulheres) e não obesos (≤ 25% para homens e ≤ 32% para mulheres). Após classificação do IMC e %GC, os indivíduos com IMC < 25 kg/m2 também foram agrupados em peso normal (IMC < 25kg/m2 e ausência de obesidade pelo %GC) e obeso de peso normal (IMC < 25kg/m2 e presença de obesidade pelo %GC). Foram consideradas variáveis de entrada: dados demográficos (sexo e idade) e medidas antropométricas (peso, altura e circunferências da cintura (CC), quadril (CQ), punho direito e panturrilha direita). Enquanto o desfecho foi considerado o %GC mensurado pelo método da Absortometria de Raio-X de Dupla Energia (DXA). Para construção dos modelos, foi aplicado o algoritmo Máquina de Vetor de Suporte (Support Vector Machine - SVM) Radial, adotando-se a Regressão Linear (RL) como referência (baseline). A partição dos dados seguiu o método Hold-Out, em que 80% compuseram o conjunto de treino e 20% o conjunto de teste. Exclusivamente no grupo de treino, aplicou-se a técnica de validação cruzada com k partições (k-fold Cross Validation), adotando-se k = 5. Para avaliação do desempenho, foram calculadas as métricas: Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE), Raiz do Erro Quadrático Médio Normalizado (NRMSE), Erro Percentual Absoluto Médio (MAPE) e Coeficiente de Determinação (R2). Posteriormente, no modelo com melhor desempenho, aplicou-se a função SHAP para seleção das variáveis de maior relevância para construção de duas versões reduzidas: Reduzida 1 (somente com as cinco variáveis mais relevantes com base no cálculo de SHAP - sexo, CC, CQ, altura e peso, em ordem de importância) e Reduzida 2 (incluindo a variável idade). Aplicou-se o gráfico de Bland-Altman e o Coeficiente de Correlação Intraclasse (CCI) para avaliação da concordância entre o %GC estimado pelos modelos e o %GC mensurado pela DXA. A frequência de indivíduos com sobrepeso foi de 26,5% e de obesidade 14,1%, considerando o IMC. Já pelo %GC, 52,1% dos indivíduos foram classificados com obesidade. Destaca-se que, indivíduos obesos de peso normal corresponderam a 17,3% da amostra geral. Todos os modelos de AM tiveram melhores resultados quando comparados à RL, sendo o SVM Radial - Reduzido 2 o que obteve melhor desempenho e concordância (MAE = 2,98; RMSE = 3,72; NRMSE = 7,07; R2 = 0,91, MAPE = 13,24% e CCI = 0,95 [IC 95%: 0,947 – 0,957]). Conclui-se que os modelos de AM desenvolvidos, utilizando variáveis demográficas e antropométricas simples, apresentaram alto desempenho e excelente concordância para estimação do %GC de adultos, sendo potencialmente aplicáveis em pesquisas epidemiológicas e em ambientes clínicos, inclusive naqueles com escassez de recursos, especialmente na Atenção Primária à Saúde. Ressalta-se que o modelo SVM Radial – Reduzido 2 mostrou-se preciso e parcimonioso, necessitando de um menor número de variáveis para sua aplicação.
MEMBROS DA BANCA:
Co-orientador - 407662 - ALCIONE MIRANDA DOS SANTOS
Presidente - 2438568 - ANA KARINA TEIXEIRA DA CUNHA FRANCA
Externo à Instituição - CARLOS MAGNO SOUSA JUNIOR - UEMA
Externo ao Programa - 2231714 - JOELMA XIMENES PRADO TEIXEIRA