PREDIÇÃO DE HIPERTENSÃO NA POPULAÇÃO PEDIÁTRICA COM MACHINE LEARNING E TRANSFER LEARNING

Objetivo: Desenvolver um modelo de machine learning (ML) utilizando a técnica de transfer learning (TL) para predizer a ocorrência de hipertensão arterial em crianças e adolescentes da América do Sul. Métodos: Foram utilizadas duas bases de dados (crianças e adolescentes) de sete cidades sul-americanas. Foi implementada uma estratégia de TL, aproveitando o conhecimento adquirido a partir de um modelo base treinado com o algoritmo CatBoost no conjunto de dados das crianças. Posteriormente, foram adicionadas novas árvores de decisão ao modelo para adaptá-lo ao conjunto de dados dos adolescentes. Resultados: Das crianças avaliadas, 301 apresentavam pressão arterial normal, e 50 apresentavam pressão arterial elevada (PAE); para adolescentes, 284 foram identificados com pressão arterial normal, e 23 apresentavam PAE. Para crianças, os modelos Random Forest, XGBoost e LightGBM alcançaram um valor predito positivo de 0.90, sendo o XGBoost e o LightGBM superiores na sensibilidade (0.50) e na área abaixo da curva ROC (AUC-ROC: 0.74). Em adolescentes sem o uso de transfer learning, verificou-se um baixo desempenho, com a AUC-ROC variando entre 0.46 e 0.56. No entanto, após a aplicação de TL, houve uma melhoria significativa no desempenho dos modelos, destacando-se o algoritmo CatBoost que alcançou uma AUC-ROC de 0.82. Conclusão: A utilização de ML e TL é promissora para predizer o risco de hipertensão pediátrica, melhorando a identificação de fatores de risco e direcionando intervenções preventivas. Essas tecnologias emergentes têm o potencial de impactar positivamente a saúde cardiovascular pediátrica.