@MASTERSTHESIS{ 2026:891699503,
 	title = {Predição de risco de atraso no desenvolvimento neuropsicomotor nos primeiros mil dias de vida utilizando aprendizado de máquina: coorte brisa},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/7081",
 	abstract = "Introdução: Os primeiros mil dias de vida representam uma janela de plasticidade cerebral 
 critica, na qual o desenvolvimento neuropsicomotor (DNPM) é sensível a influências biológicas 
 e psicossociais. A predição precoce de riscos nesse período é fundamental para intervenções 
 oportunas, embora constitua um desafio complexo em populações de base comunitária. 
 Objetivo: Desenvolver e avaliar modelos de Aprendizado de Máquina (AM) para predizer o 
 risco de atraso no DNPM em crianças nos primeiros mil dias de vida. Métodos: Estudo 
 prospectivo com dados de 972 binôminos mãe-criança da coorte BRISA (São Luís – MA). O 
 desfecho foi o risco de atraso avaliado nos domínios cognitivo, comunicação e motor avaliados 
 pela escala Bayley III. Foram testados os algoritmos Regressão Logística Penalizada (PLR), 
 Random Forest (RF), Support Vector Machines (SVM) com kernel radial e Redes Neurais 
 Artificiais (RNA), e o classificador nulo. O pré-processamento incluiu a imputação de dados 
 faltantes, codificação de variáveis categóricas por one-shot enconding e padronização de 
 variáveis numéricas.  Para a avaliação dos modelos de AM gerados, foi utilizada validação 
 cruzada K-fold (k = 5), com 10 repetições. Como métricas de desempenho utilizaram-se a área 
 sob curva AUC-ROC (AUC), a sensibilidade, a especificidade, a acurácia, a precisão e o F1
 score. A interpretabilidade dos modelos foi analisada pela técnica SHapley Additive 
 Explanations (SHAP). Resultados: A maior prevalência de risco de atraso ocorreu na 
 comunicação expressiva (44,1%). Os modelos apresentaram desempenho moderado com AUC 
 variando entre 0,533 e 0,603, sendo a PLR o algoritmo mais estável, atingindo AUC de 0,603 
 no domínio motor fino. A análise SHAP identificou como principais preditores: história 
 familiar de epilepsia, sexo da criança, sintomas depressivos maternos, violência psicológica e 
 suporte social, escolaridade materna e renda familiar. Conclusão: Modelos de AM 
 demonstraram capacidade moderada de discriminação em amostras populacionais 
 heterogêneas, evidenciando que o aumento da complexidade algorítmica não superou a 
 regressão logística. Os achados reforçam a natureza multifatorial do desenvolvimento, 
 destacando o impacto de determinantes psicossociais e biológicos, contribuindo para o 
 desenvolvimento de ferramentas de triagem aplicáveis à Atenção Primária à Saúde.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM SAÚDE COLETIVA/CCBS},
 	note = {DEPARTAMENTO DE MEDICINA II/CCBS}
}