PREDIÇÃO DE GANHO DE PESO GESTACIONAL EM MULTIPLAS FAIXAS DE PESO COM MACHINE LEARNING

O ganho de peso gestacional (GPG) é um indicador importante na avaliação da saúde durante a gravidez, influenciando diretamente o bem-estar tanto da mãe quanto do feto. Um ganho inadequado de peso, seja excessivo ou insuficiente, está associado a complicações de saúde significativas, como o maior risco de desenvolver diabetes gestacional e hipertensão. Este estudo buscou desenvolver e avaliar modelos de machine learning para predizer as categorias de GPG – abaixo, dentro ou acima das recomendações do Instituto de Medicina – utilizando uma coorte de mulheres grávidas de Araraquara, Brasil. Os dados provêm da Coorte de Araraquara, que consiste em 1557 mulheres com idade gestacional de até 19 semanas, recrutadas nas Unidades Básicas de Saúde locais. As variáveis analisadas incluem aspectos socioeconômicos, demográficos, de estilo de vida, morbidades e fatores antropométricos. Entre os algoritmos testados, o modelo LightGBM apresentou o melhor desempenho, com AUC-ROC de 0,79 para a classe “GPG dentro das recomendações”, 0,756 para classe “abaixo” e 0,624 para classe “acima”. Fatores significativos para a predição incluíram IMC pré-gestacional, idade materna, perfil glicêmico, níveis de hemoglobina e circunferência do braço. Os modelos de machine learning mostraram-se eficazes na predição das categorias de GPG, oferecendo uma ferramenta importante para a identificação precoce de gestações em risco e para a implementação de intervenções personalizadas que promovam uma gravidez mais saudável.