Acurácia de um modelo algorítmico para classificação do risco de quedas com base no histórico de quedas e na capacidade intrínseca de adultos idosos comunitários

A capacidade intrínseca tem sido amplamente associada a diversos desfechos negativos de saúde em pessoas idosas. Entre estes, as quedas se destacam como uma preocupação significativa devido às suas consequências físicas, psicológicas e financeiras. Dada a importância de classificar os riscos e prevenir quedas, a utilização de técnicas de machine learning surge como uma alternativa promissora para o desenvolvimento e implementação de intervenções mais eficazes e direcionadas. OBJETIVO: Avaliar e descrever a acurácia de um modelo algorítmico baseado na capacidade intrínseca e no histórico de quedas para classificação do risco de quedas em adultos idosos comunitários. MÉTODOS: Trata-se de um estudo observacional retrospectivo, do tipo transversal, com dados parciais do estudo FREVO (Fatores de Risco no Envelhecimento). Participaram dessa amostra um total de 410 adultos idosos comunitários (76,6% do sexo feminino; 70,2 ± 6,75 anos de idade; 27 ± 4,43 kg/m²), avaliados em unidades básicas de saúde, igrejas e centros de atividade e convivência para pessoas idosas do município de Petrolina - PE. Os domínios da capacidade intrínseca foram mensurados pelas versões brasileiras da Short Physical Performance Battery (locomotor), do Mini-Exame de Estado Mental (cognitivo), Escala de Depressão Geriátrica de 15 itens (psicológico), Mini Avaliação Nutricional (nutricional) e pelo Cartão de Snellen (sensorial). Foi registrado o número de quedas autorrelatadas nos últimos 12 meses. A técnica de machine learning utilizada no modelo de classificação foi a árvore de decisão. Para o desenvolvimento, treinamento e avaliação do algoritmo foi realizado no ambiente em linguagem Python Google Colab. RESULTADOS: O modelo apresentou uma acurácia de 0,934, uma especificidade de 0,967 e uma sensibilidade de 0,934. CONCLUSÃO: O modelo de Árvore de Decisão apresentou excelente desempenho, com alta acurácia, sensibilidade e especificidade, revelando grande potencial para a classificação do risco de quedas em adultos idosos comunitários.

Acessar