@MASTERSTHESIS{ 2026:1085691171,
 	title = {USO DE TÉCNICAS DE APRENDIZADO DE MÁQUINA PARA ESTIMAÇÃO DE GORDURA CORPORAL EM ADULTOS BRASILEIROS},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6815",
 	abstract = "Considerando a frequência crescente de obesidade no Brasil e no mundo, as limitações do
 Índice de Massa Corporal (IMC) em diferenciar massa magra de massa gorda, bem como a
 ausência de um método para avaliar o percentual de gordura corporal (%GC) de forma precisa
 e acessível, este estudo propôs- se a desenvolver modelos capazes de estimar o %GC de adultos,
 a partir de dados demográficos e medidas antropométricas simples, através de técnicas de
 Aprendizado de Máquina (AM). Todas as análises estatísticas e a construção dos modelos foram
 realizadas na linguagem de programação R®. A população do estudo foi constituída por 7.085
 adultos com 22 e 30 anos, pertencentes às coortes de Pelotas-RS de 1993 e de 1982,
 respectivamente. Os valores do IMC dos participantes do estudo foram calculados e
 classificados conforme a Organização Mundial da Saúde. Os indivíduos foram categorizados,
 ainda, com base nos valores de %GC, em obesos (≥ 25% para homens e ≥ 32% para mulheres)
 e não obesos (≤ 25% para homens e ≤ 32% para mulheres). Após classificação do IMC e %GC,
 os indivíduos com IMC < 25 kg/m² também foram agrupados em peso normal (IMC < 25kg/m²
 e ausência de obesidade pelo %GC) e obeso de peso normal (IMC < 25kg/m² e presença de
 obesidade pelo %GC). Foram consideradas variáveis de entrada: dados demográficos (sexo e
 idade) e medidas antropométricas (peso, altura e circunferências da cintura (CC), quadril (CQ),
 punho direito e panturrilha direita). Enquanto o desfecho foi considerado o %GC mensurado
 pelo método da Absortometria de Raio-X de Dupla Energia (DXA). Para construção dos
 modelos, foi aplicado o algoritmo Máquina de Vetor de Suporte (Support Vector Machine -
 SVM) Radial, adotando-se a Regressão Linear (RL) como referência (baseline). A partição dos
 dados seguiu o método Hold-Out, em que 80% compuseram o conjunto de treino e 20% o
 conjunto de teste. Exclusivamente no grupo de treino, aplicou-se a técnica de validação cruzada
 com k partições (k-fold Cross Validation), adotando-se k = 5. Para avaliação do desempenho,
 foram calculadas as métricas: Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio
 (RMSE), Raiz do Erro Quadrático Médio Normalizado (NRMSE), Erro Percentual Absoluto
 Médio (MAPE) e Coeficiente de Determinação (R²). Posteriormente, no modelo com melhor
 desempenho, aplicou-se a função SHAP para seleção das variáveis de maior relevância para construção de duas versões reduzidas: Reduzido 1 (somente com as cinco variáveis mais
 relevantes com base no cálculo de SHAP - sexo, CC, CQ, altura e peso, em ordem de
 importância) e Reduzido 2 (incluindo a variável idade). Aplicou-se o gráfico de Bland-Altman
 e o Coeficiente de Correlação Intraclasse (CCI) para avaliação da concordância entre o %GC
 estimado pelos modelos e o %GC mensurado pela DXA. A frequência de indivíduos com
 sobrepeso foi de 26,5% e de obesidade 14,1%, considerando o IMC. Já pelo %GC, 52,1% dos
 indivíduos foram classificados com obesidade. Destaca-se que, indivíduos obesos de peso
 normal corresponderam a 17,3% da amostra geral. Todos os modelos de AM tiveram melhores
 resultados quando comparados à RL, sendo o SVM Radial - Reduzido 2 o que obteve melhor
 desempenho e concordância (MAE = 2,98; RMSE = 3,72; NRMSE = 7,07; R² = 0,91, MAPE
 = 13,24% e CCI = 0,95 [IC 95%: 0,947 – 0,957]). Conclui-se que os modelos de AM
 desenvolvidos, utilizando variáveis demográficas e antropométricas simples, apresentaram alto
 desempenho e excelente concordância para estimação do %GC de adultos, sendo
 potencialmente aplicáveis em pesquisas epidemiológicas e em ambientes clínicos, inclusive
 naqueles com escassez de recursos, especialmente na Atenção Primária à Saúde. Ressalta-se
 que o modelo SVM Radial – Reduzido 2 mostrou-se preciso e parcimonioso, necessitando de
 um menor número de variáveis para sua aplicação.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM SAÚDE COLETIVA/CCBS},
 	note = {COORDENAÇÃO DO CURSO DE NUTRIÇÃO/CCBS}
}