Predição de Baixo Peso ao Nascer com Aprendizado de Máquina
Bebês que nascem com baixo peso, definido como menos de 2,5 kg, enfrentam um risco 20 vezes maior de mortalidade e estão mais propensos a desenvolver doenças neurológicas, cardiovasculares, diabetes e problemas de crescimento no futuro. Um estudo inovador da Universidade de São Paulo (USP) revela que modelos de aprendizado de máquina podem prever esses casos críticos, permitindo intervenções precoces e eficazes.
Metodologia do Estudo
A pesquisa utilizou dados de 1.579 gestantes acompanhadas em um estudo populacional em Araraquara, São Paulo. Essa é uma das primeiras aplicações de algoritmos avançados de machine learning para essa questão no Brasil, sendo financiada pela FAPESP e contrastando com a maioria dos estudos realizados em países desenvolvidos.
Os pesquisadores testaram quatro algoritmos de machine learning: Random Forest, XGBoost, LightGBM e CatBoost. O XGBoost se destacou, mostrando a melhor capacidade de identificar gestações com risco elevado de baixo peso ao nascer.
Impactos na Prática Clínica
As descobertas têm implicações significativas na prática clínica e na formulação de políticas públicas. O uso de inteligência artificial pode permitir intervenções mais precoces que ajudem a reduzir os riscos associados ao baixo peso ao nascer, melhorando a saúde materno-infantil. A professora Patrícia Rondó, coordenadora do estudo, enfatiza a importância dessas tecnologias na promoção de intervenções como suplementação nutricional e aumento das consultas pré-natais.
Baixo Peso ao Nascer: Um Problema Global
O baixo peso ao nascer é um problema de saúde global, relacionado a complicações médicas e fatores socioeconômicos, como idade materna e acesso ao pré-natal. Apesar do avanço nos modelos preditivos, muitos ainda utilizam dados de países de alta renda, limitando as aplicações em regiões como o Brasil e a América Latina.
Os autores sugerem que a tecnologia pode proporcionar intervenções precoces essenciais, ajudando a minimizar os efeitos do baixo peso em recém-nascidos.
Coorte de Araraquara
A coorte de Araraquara, que avaliou 2 mil gestantes e suas crianças desde a fase fetal, oferece dados representativos da região. Esses dados têm sido fundamentais para a investigação de obesidade e fatores associados a doenças. Audêncio Victor, cientista de dados e coautor do estudo, afirma que essa base de dados é única por fornecer informações de uma população com características distintas das do Norte Global.
Considerações Finais sobre Aplicabilidade
Fatores como idade materna, variáveis antropométricas e nível socioeconômico são determinantes essenciais para o baixo peso ao nascer. Victor ressalta que um modelo preditivo baseado em variáveis de baixo custo e rotineiramente coletadas pode ser implementado em regiões com recursos limitados.
Os pesquisadores também destacam que , embora o modelo funcione na região Sudeste do Brasil, adaptações serão necessárias para que seja aplicável em outras regiões, como a Amazônia ou países africanos, devido às especificidades populacionais.
Para aprofundar-se no tema, acesse o artigo Predicting low birth weight risks in pregnant women in Brazil using machine learning algorithms: data from the Araraquara cohort study.
Informações da Agência FAPESP
