Aprendizado de máquina pode prever casos de bebês que nascem com baixo peso

Bebês que nascem com baixo peso (menos de 2,5 kg) apresentam um risco 20 vezes maior de mortalidade. Além disso, têm mais chances de desenvolver, no futuro, doenças neurológicas, doenças cardiovasculares, diabetes e problemas de crescimento. Um estudo conduzido por pesquisadores da Universidade de São Paulo (USP) demonstrou que modelos de aprendizado de máquina podem ser usados para prever esses casos e, com isso, evitar as intercorrências, possibilitando intervenções precoces e mais eficazes.

A pesquisa se baseou em dados de 1.579 gestantes acompanhadas no âmbito de um estudo populacional conduzido em Araraquara, no interior de São Paulo, e representa uma das primeiras aplicações de algoritmos avançados de machine learning para essa finalidade no país. O trabalho, apoiado pela FAPESP, serve também como um contraponto à maioria dos estudos do tipo que utilizam dados de países do Norte Global. 

Os pesquisadores testaram quatro algoritmos de machine learning: Random Forest, XGBoost, LightGBM e CatBoost, com destaque para o XGBoost, que apresentou os melhores resultados na identificação de gestações com risco elevado. 

“Os achados têm impacto significativo na prática clínica e na formulação de políticas públicas, dado que o uso de inteligência artificial e aprendizado de máquina pode permitir intervenções mais precoces, ajudando a reduzir os riscos associados ao baixo peso ao nascer e melhorando a saúde materno-infantil”, afirma Patrícia Rondó, professora da Faculdade de Saúde Pública da Universidade de São Paulo (FSP-USP) e autora do estudo publicado na revista "BMC Pregnancy and Childbirth".

O baixo peso ao nascer é um problema global de saúde, ligado tanto a fatores médicos, como complicações na gravidez, quanto a aspectos socioeconômicos, como idade materna, escolaridade e o ao pré-natal. 

Embora a predição de casos de bebês com baixo peso ao nascer por meio de algoritmos de aprendizado de máquina esteja ganhando espaço globalmente, a maioria dos estudos foi conduzida em países de alta renda, limitando sua aplicabilidade em regiões como Brasil e América Latina. 

• Saiba por que os primeiros mil dias são tão importantes para o bebê
• Leite materno: produção e anticorpos variam de acordo com cada bebê

Segundo os autores, a tecnologia pode permitir que profissionais da saúde implementem intervenções precoces, como suplementação nutricional, educação materna, aumento de consultas pré-natais e aconselhamento sobre mudanças no estilo de vida, reduzindo os impactos do problema em recém-nascidos.

Patrícia também é coordenadora do estudo populacional realizado em Araraquara que avaliou o estado nutricional e a composição corporal de 2 mil gestantes e de suas respectivas crianças, desde a fase fetal. Além de servir de base para a avaliação de algoritmos preditivos para o baixo peso ao nascer, a amostra – que é representativa da cidade de Araraquara e região – permitiu a realização de uma série de estudos sobre obesidade e fatores genéticos, ambientais e epigenéticos associados a doenças.

“A coorte de Araraquara oferece uma oportunidade única ao fornecer dados clínicos, socioeconômicos, comportamentais e ambientais de uma população com características diferentes das populações do Norte Global, onde a maioria dos estudos desse tipo é realizada”, afirma Audêncio Victor, cientista de dados e autor principal do estudo. Victor também é bolsista da FAPESP e o estudo é objeto de sua pesquisa de doutorado em Epidemiologia pela USP, com período sanduíche na London School of Hygiene and Tropical Medicine, da London University.

Fatores como idade materna, variáveis antropométricas, nível socioeconômico e o ao pré-natal foram identificados como determinantes-chave no risco de baixo peso ao nascer. “Os fatores de risco são bem conhecidos da literatura e um modelo preditivo como o que testamos é importante para conseguirmos triar os casos de maior risco e que merecem maior atenção no pré-natal. Além disso, trata-se de variáveis simples, de baixo custo e rotineiramente coletadas nos serviços de saúde, o que torna o modelo aplicável mesmo em regiões com recursos limitados”, afirma Audêncio.

No estudo, os pesquisadores identificaram ainda que o modelo com base nos dados de Araraquara funciona para a população da região Sudeste do Brasil, mas há limitações. “Para aplicar os modelos na Amazônia ou em países da África, por exemplo, seria necessário fazermos adaptações para que se tornasse preditivo de fato. Cada população tem suas especificidades e é preciso calibrar os modelos para que sejam realmente preditivos em diferentes contextos geográficos e sociais”, completa o pesquisador.