Tipo de Estudo
Pesquisa Primária
Objetivo da Pesquisa
Desenvolver um modelo de inteligência artificial para prever o risco de hipertensão em crianças e adolescentes na América do Sul, usando uma técnica chamada 'aprendizagem por transferência' para melhorar a precisão das previsões, especialmente em grupos com menos dados disponíveis.
Problema/Lacuna que Soluciona
A hipertensão em crianças e adolescentes é um problema de saúde pública crescente e um fator de risco para doenças cardiovasculares na vida adulta. Faltam ferramentas eficazes para prever o risco nessa população, dificultando a prevenção. O estudo aborda essa lacuna ao criar um modelo preditivo que pode ajudar na identificação precoce de jovens em risco.
Método
Os pesquisadores analisaram dados de saúde e hábitos de vida de crianças e adolescentes de sete cidades sul-americanas. Eles treinaram modelos de inteligência artificial com os dados das crianças para prever pressão alta. Em seguida, aplicaram uma técnica chamada 'aprendizagem por transferência', que usa o conhecimento do primeiro modelo para aprimorar a previsão no grupo de adolescentes, que tinha uma amostra menor. A capacidade de acerto dos modelos foi medida com métricas estatísticas.
Público-Alvo
Dados de 351 crianças (3-10 anos) e 307 adolescentes (11-18 anos) participantes do estudo SAYCARE.
Categoria: Dados Secundários
Abrangência Geográfica do Estudo
Nível: Regional
Local: Buenos Aires (Argentina), Lima (Peru), Medellín (Colômbia), Montevidéu (Uruguai), Santiago (Chile), São Paulo (Brasil) e Teresina (Brasil).
Principal Resultado
A 'aprendizagem por transferência' melhorou muito a capacidade do modelo de prever hipertensão em adolescentes. Os principais fatores que aumentam o risco de pressão alta foram o consumo de refrigerantes, biscoitos recheados e salgadinhos, associados à baixa atividade física e longo tempo de tela. Isso mostra que o modelo consegue identificar riscos conhecidos e reforça a necessidade de intervenções precoces no estilo de vida.
Contribuição para Saúde Pública/SUS
O modelo pode se tornar uma ferramenta de apoio para a Atenção Primária à Saúde (APS) e para o Programa Saúde na Escola (PSE). Ele pode ajudar a identificar crianças e adolescentes com maior risco de hipertensão, permitindo que as equipes de saúde direcionem ações de prevenção, como orientação nutricional e incentivo à atividade física, de forma mais focada e eficiente.
Estágio da Pesquisa
Aplicada em campo
Possíveis Aplicações
O modelo de inteligência artificial pode ser adaptado para uma ferramenta de triagem (ex: aplicativo ou planilha) a ser usada em Unidades Básicas de Saúde (UBS) ou em ações de saúde escolar. Profissionais poderiam inserir dados sobre hábitos de vida (dieta, tempo de tela) e medidas antropométricas para calcular o risco de hipertensão do jovem, apoiando a decisão sobre quem precisa de acompanhamento mais próximo.
Abrangência da Aplicação
Indeterminado
O modelo foi treinado com dados de diversas cidades, incluindo duas brasileiras (São Paulo e Teresina). Embora precise de validação e adaptação local, sua base diversa sugere potencial para aplicação em diferentes contextos do Brasil, seja em nível local, regional ou nacional.
Cenário de Aplicação
Atenção Primária (UBS)
Recomendações para o Sistema de Saúde
Mudança de Política PúblicaO estudo reforça a necessidade de fortalecer políticas públicas e programas educacionais focados na prevenção da hipertensão infantil. As ações devem visar a redução do consumo de alimentos ultraprocessados e do tempo de tela, além do incentivo à prática de atividades físicas desde a infância.
Limitações e Próximos Passos
Limitações
O número de participantes, especialmente no grupo de adolescentes, foi relativamente pequeno, o que pode limitar a aplicação dos resultados a outras populações. A complexidade da definição de hipertensão em crianças, que varia com idade, sexo e altura, também é um desafio para a criação de modelos preditivos.
Próximos Passos
Ampliar os bancos de dados sobre saúde infantil, validar os modelos em populações maiores e mais diversas, e padronizar os critérios de diagnóstico para melhorar a precisão das ferramentas de previsão.
Principais Interessados
Grupos de Aplicação
- •Gestores do SUS (nível municipal, estadual e federal)
- •Profissionais da Atenção Primária à Saúde (médicos, enfermeiros, nutricionistas)
- •Coordenadores do Programa Saúde na Escola (PSE)
Financiadores Atuais
- •Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
- •Ministério da Saúde do Brasil (DECIT/SECTICS)
- •Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)
- •University of Texas Health Science Center at Houston
Financiadores Sugeridos
- •Ministério da Saúde (Secretaria de Atenção Primária à Saúde; Secretaria de Vigilância em Saúde e Ambiente)
- •Fundações de Amparo à Pesquisa (FAPs) estaduais
- •Empresas de tecnologia em saúde para o desenvolvimento de ferramentas aplicadas
Benefício Já Gerado
Status: Não
Ainda não gerou impacto prático. O estudo desenvolveu e validou um modelo preditivo em um ambiente de pesquisa, mas ele ainda não foi implementado em serviços de saúde do SUS.