@MASTERSTHESIS{ 2026:1609702184,
 	title = {PREDIÇÃO DE NASCIMENTO PRÉ-TERMO EXTREMO EM DUAS CIDADES BRASILEIRAS},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/7189",
 	abstract = "Introdução: O nascimento pré-termo (NPT) extremo é um importante problema de saúde
 pública, associado a elevada morbimortalidade neonatal e infantil. Sua ocorrência resulta de
 múltiplos fatores: clínicos, sociodemográficos e comportamentais, o que dificulta sua
 prevenção. Apesar de sua baixa frequência, seus impactos são significativos para a saúde
 materno-infantil. Diante desse contexto, modelos de aprendizado de máquina podem predizer
 gestantes com maior risco de NPT extremo. Objetivo: Determinar modelos preditivos baseados
 em técnicas de aprendizado de máquina (AM), para identificar preditores de NPT extremo, em
 nascidos vivos de duas cidades brasileiras. Métodos: Trata-se de um estudo analítico, de
 natureza transversal, aninhado às coortes BRISA de pré-natal e nascimento de 2010 em São
 Luís (SL), Maranhão, e Ribeirão Preto (RP), São Paulo, Brasil, cuja escolha fundamenta-se na
 participação de ambas na pesquisa das coortes e em suas distintas características
 sociodemográficas e econômicas, permitindo a análise de diferentes contextos maternosinfantis brasileiros. O conjunto de dados analisados foi proveniente de mulheres com gestação
 única e seus bebês, atendidos em serviços públicos e privados. A amostra foi composta por
 6.414 mulheres/crianças em SL e 8.273 em RP, totalizando 14.687 observações. Realizou-se
 análise de sensibilidade com a variável ameaça de parto prematuro na gestação atual, por
 representar alterações fisiopatológicas em curso, possivelmente relacionadas ao início do
 desfecho, sendo um importante preditor. Para avaliar sua influência no desempenho dos
 modelos, foram construídos seis cenários analíticos, correspondentes às coortes combinada, de
 São Luís e de Ribeirão Preto, com e sem a inclusão dessa variável, permitindo verificar seu
 impacto na capacidade preditiva e na estabilidade dos modelos. Selecionamos, com base em
 especialistas e na literatura, 119 variáveis comuns a SL-RP, 121 variáveis em SL e 119 em RP,
 relacionadas a fatores socioeconômicos, demográficos, comportamentais, reprodutivos e
 atenção à saúde da mulher, como potenciais preditoras ao NPT extremo. Em seguida,
 utilizando-se o algoritmo BORUTA, elegeu-se 50 variáveis e elencamos oito, com maior
 número de indicações e maior importância na predição. Com base em estudos anteriores,
 aplicaram-se 14 algoritmos de aprendizado de máquina em cada cenário para construção dos
 modelos: regressão logística penalizada (plr), Support Vector Machines (svmLinear e svmRadial), Random Forest (rf, ranger e Rborist), boosting (glmboost e AdaBoost.M1),
 métodos baseados em vizinhança (Knn e KKnn), redes neurais artificiais (nnet), árvores e
 modelos baseados em partição (cforest e ctree2) e modelos aditivos generalizados (gam). O
 desempenho foi avaliado por métricas como acurácia, sensibilidade, especificidade, precisão,
 F1-score e área sob a curva ROC (AUC-ROC). Resultados: Os cenários resultaram em
 desbalanceamento entre NPT extremo e não NPT extremo. Nos seis cenários (SL-RP, SL e RP,
 três incluindo a variável ameaça de parto prematuro na gestação atual e três excluindo a variável
 ameaça de parto prematuro na gestação atual), o desempenho variou entre os modelos: No
 cenário incluindo a variável, em SL-RP o knn apresentou sensibilidade de 0.774, AUC-ROC de
 0.806 e F1-score de 0.049. No cenário SL, o modelo svmRadial obteve sensibilidade de 0.653,
 AUC-ROC de 0.732 e F1-score de 0.063. Já no cenário RP, o ranger apresentou os melhores
 resultados, com AUC-ROC de 0.86, sensibilidade de 0.771 e F1-score de 0.053. Excluído a
 variável, em SL-RP o nnet apresentou sensibilidade de 0.561, AUC-ROC de 0.648 e F1-score
 de 0.019. No cenário SL, o modelo gam obteve sensibilidade de 0.623, AUC-ROC de 0.587 e
 F1-score de 0.024. Já no cenário RP, o Rborist apresentou os melhores resultados, com AUCROC de 0.629, sensibilidade de 0.573 e F1-score de 0.016. Em geral, o knn ao incluir a variável
 e o nnet ao excluir a variável, se destacaram pelos maiores valores de AUC-ROC e
 sensibilidade, apresentaram melhores desempenho para prever o NPT extremo. As oito
 variáveis preditoras foram: Ameaça de parto prematuro na gestação atual; ameaça de aborto na
 gestação atual; ocupação da mãe; renda per capta; álcool na gestação; cor da mãe autodeclarada;
 gravidez planejada e diagnóstico de hipertensão antes ou durante a gestação. Conclusão: É
 possível predizer, com boa performance, a ocorrência de NPT extremo, utilizando variáveis de
 saúde materna e características do feto, socioeconômicas, comportamentais e de acesso ao prénatal. A identificação precoce de bebês em risco pode impactar positivamente a qualidade de
 vida da mãe e do recém-nascido. As descobertas deste estudo podem estimular investigações
 semelhantes, testando diferentes técnicas, populações e contextos clínicos, para o
 enfrentamento de um dos principais desafios de saúde neonatal.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM SAÚDE COLETIVA/CCBS},
 	note = {CBS3 - COORDENAÇÃO ESPECIAL DE SAÚDE PÚBLICA/CCBS}
}