Uso de machine learning e inteligência artificial na predição do envelhecimento saudável: estudo longitudinal epifloripa

Abstract

O presente estudo investiga a viabilidade do uso de técnicas de aprendizado de máquina na predição do envelhecimento saudável, com base em dados do estudo longitudinal EpiFloripa Idoso. O objetivo principal é de desenvolver modelos preditivos por meio da integração de dados primários e secundários, visando auxiliar em decisões clínicas e na formulação de políticas públicas acerca do envelhecimento da população. A metodologia adotada foi o framework CRISP-ML(Q), envolvendo tratamento de bases de dados, seleção de variáveis por meio de valores de Shapley e treinamento de diferentes algoritmos de classificação. Um desafio relevante enfrentado foi o desequilíbrio da classe minoritária, sendo avaliado alternativas para contornar como oversampling e undersampling. Entre os resultados, observou-se que a redefinição da variável alvo, passando do questionário CASP-19 para o indicador de Atividades de Vida Diária (AVD), gerou uma melhora preditiva significativa, alcançando uma acurácia de 75,51% utilizando o modelo de Regressão Logística. Conclui-se que os algoritmos de Regressão Logística, CatBoost e TabPFN apresentaram os melhores desempenhos gerais, permitindo a consolidação de um pipeline automatizado com potencial para auxiliar gestores de saúde e futuras decisões clínicas.