PGSC/CCBS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: GILBERTO DE HOLANDA LOPES FILHO
DATA: 24/02/2026
HORA: 09:00
LOCAL: Sala de aula do PPGSC
TÍTULO: MODELO PARA ESTRATIFICAÇÃO DO RISCO DE QUEDAS NO ENVELHECIMENTO COM MACHINE LEARNING: DADOS DO ELSI-BRASIL
PALAVRAS-CHAVES: Acidentes por Quedas. Aprendizado de Máquina. Algoritmos de Aprendizado de Máquina. Métodos de Predição Computacional. Fatores de Risco. Algoritmos de Classificação. Saúde do Idoso
PÁGINAS: 98
GRANDE ÁREA: Ciências da Saúde
ÁREA: Saúde Coletiva
SUBÁREA: Saúde Pública
RESUMO: As quedas representam um importante problema de saúde pública no contexto do envelhecimento populacional, associadas à morbimortalidade, incapacidade e aumento dos custos assistenciais. No Brasil, a prevalência de quedas em indivíduos com > 50 anos é elevada e tende a crescer frente à rápida transição demográfica. As escalas clínicas disponíveis apresentam acurácia limitada, especialmente em populações heterogêneas, e os modelos estatísticos convencionais tem dificuldades em capturar as interações complexas e não lineares entre múltiplos fatores de risco. Nesse cenário, as técnicas de Aprendizado de Máquina emergem como ferramentas promissoras para desenvolver modelos preditivos mais acurados e aplicáveis. Trata-se de um estudo quantitativo, analítico e preditivo, com abordagem transversal, cujo objetivo foi desenvolver e avaliar o desempenho de modelos de aprendizado supervisionado para o risco de quedas em indivíduos com 50 anos ou mais, utilizando dados da segunda onda (2019–2021) do Estudo Longitudinal da Saúde dos Idosos Brasileiros (ELSI- Brasil). A amostra incluiu 9.862 participantes, dos quais 18,65% relataram queda nos últimos 12 meses. Cinco algoritmos foram usados: Regressão Logística Penalizada, Support Vector Machine (SVM) com kernel radial, Random Forest, XGBoost e Redes Neurais Artificiais. O desempenho foi avaliado por acurácia, sensibilidade (recall), especificidade, valores preditivos positivo e negativo, F1-score e área sob a curva ROC (AUC). Para maior explicabilidade, empregou-se a técnica SHAP (Shapley Additive Explanations) no pós-processamento. Os modelos apresentaram bom desempenho global, com acurácia entre 65,5% e 71,8%. O SVM radial demonstrou a melhor capacidade discriminativa (AUC = 0,806), e uma boa realação entre sensibilidade (75,1%) e especificidade (67,2%). A Regressão Logística Penalizada teve acurácia de 71,8%, sensibilidade de 71,6% e especificidade de 71,9%, sendo o segundo melhor modelo. Ambos tiveram alto valor preditivo negativo (>91%), demonstrando robustez para triagem do risco de queda. A análise dos valores de SHAP indicou como principais preditores o histórico de quedas, idade avançada, sexo feminino, dor crônica, polifarmácia, autopercepção negativa de saúde, baixa renda domiciliar, limitação funcional e menor força de preensão palmar. Os resultados confirmam o potencial dos modelos desenvolvidos como método de estratificação do risco de quedas no envelhecimento, especialmente na Atenção Primária.
MEMBROS DA BANCA:
Presidente - 2019434 - BRUNO FERES DE SOUZA
Interno - 1406358 - CAROLINA ABREU DE CARVALHO DE OLIVEIRA
Externo à Instituição - EDGAR NUNES DE MORAES - UFMG
Co-orientador - 1651131 - ERIKA BARBARA ABREU FONSECA THOMAZ