Perfil de Desistentes de um Projeto de Extensão Universitária Relacionado à Atividade Física: Predição via Machine Learning

- 321116
Comunicação oral
Favoritar este trabalho
Como citar esse trabalho?
Resumo

Introdução: Os benefícios da prática de atividade física (AF) no tempo livre para pessoas com ou sem condições especiais de saúde são bem documentados na literatura. No entanto, iniciar e manter a participação regular de AF pode ser dificultada por barreiras pessoais e ambientais. Identificar e superar barreiras para iniciar é essencial, mas a participação contínua é igualmente importante para garantir que a AF se torne parte da rotina, permitindo, assim, obter benefícios duradouros para a saúde. Objetivo: Descrever as características de participantes desistentes de um projeto de extensão de AF. Procedimentos metodológicos: Incluiu-se participantes que ingressaram no projeto de extensão universitária “Programa de AF para Adultos” da Escola de Educação Física e Esporte de Ribeirão Preto da Universidade de São Paulo (EEFERP-USP) entre out/22 e mar/24. Utilizou-se o algoritmo decision tree da técnica de machine learning (pacotes rpart e rpart.plot em R) para predizer o desfecho "ativo" ou "inativo" no projeto, com parâmetros de minsplit e complexity parameter de 5 e 0,025, respectivamente. No modelo, foram consideradas as seguintes avaliações: nível de escolaridade; exercícios prévios ao projeto; raça/cor; vínculo com a USP; 21-Depression, Anxiety and Stress Scale; índice de massa corporal; relação cintura-quadril; classificação como pessoa com síndrome metabólica; bateria de testes de aptidão física de Rikli e Jones; idade; distância da residência até a USP; e qualidade de vida (QV) pelo 12-item Health Survey. Resultados: A amostra contou com 155 participantes, idade média de 49(10) anos, predominantemente mulheres (65,2%), com escolaridade acima do ensino médio (62,6%), prática de exercícios físicos prévios ao projeto de >3x/sem (43,8%) ou sem prática prévia (40,3%) e 47,1% sendo inativos do projeto. A árvore de decisão construída para predizer a situação (Ativo ou Inativo) apresentou uma acurácia de 80,65%. Foram identificadas as seguintes características potencialmente desfavoráveis dos perfis dos inativos, do nível (Nv) mais impactante ao mais específico: Nv1 - idade <39 anos (perfil 1); Nv2 - idade ≥39 (perfis 4, 5,  6, 7); Nv3 - baixa saúde geral da QV (perfis 4, 5, 6, 7); Nv4 - sem vínculo com a USP (perfil 3); Nv5 - risco para estresse (perfil 7); Nv6 - baixa vitalidade da QV (perfil 3); Nv7 - moradia distante da USP (perfis 5, 7); Nv8 - baixa função social da QV (perfis 4, 5, 6); Nv9 - raça/cor parda, preta ou amarela (perfil 4); Nv10 - risco para ansiedade (perfil 6). Conclusão: Estes resultados e, principalmente a abordagem, tem importantes implicações para a promoção da AF e intervenções que visem a manutenção da AF na população. Os profissionais de saúde e políticas públicas podem utilizar essas informações para direcionar estratégias específicas que visem alcançar populações mais propensas à desistência na prática de AF. Além disso, a abordagem empregada pode ser aplicada em ambientes clínicos ou comunitários para identificar subgrupos sob risco de inatividade física, possibilitando atenção e intervenções precoces e personalizadas que promovam melhorias na saúde e bem-estar, maximizando a eficácia das intervenções e permitindo, assim, a obtenção de benefícios duradouros para a saúde.

 

Compartilhe suas ideias ou dúvidas com os autores!

Sabia que o maior estímulo no desenvolvimento científico e cultural é a curiosidade? Deixe seus questionamentos ou sugestões para o autor!

Faça login para interagir

Tem uma dúvida ou sugestão? Compartilhe seu feedback com os autores!

Instituições
  • 1 Escola de Educação Física e Esporte de Ribeirão Preto - Universidade de São Paulo
  • 2 Escola de Educação Física e Esporte de Ribeirão Preto da Universidade de São Paulo (EEFERP-USP)
  • 3 Escola de Eucação Física e Esporte de Ribeirão Preto - Universidade de São Paulo
Eixo Temático
  • Atividade física e saúde para populações especiais
Palavras-chave
Atividade Física
Inteligência Artificial
Saúde Pública
Inatividade Física
Fatores de Risco