Perfil sociodemográfico, clínico, de estilo de vida e de consumo alimentar de uma população cardiopata (Estudo DICA Br): uma investigação baseada em machine learning

Abstract

As doenças cardiovasculares (DCV) representam a principal causa de morte no mundo, tendo um impacto financeiro na qualidade de vida dos indivíduos. Para a abordagem deste importante problema de saúde pública, técnicas de Machine Learning (ML) na área da saúde têm sido utilizadas para a prevenção e previsão de doenças. O objetivo desta tese foi investigar uma população constituída por cardiopatas em atenção secundária, com foco nas suas características sociodemográficas, clínicas, de estilo de vida e de consumo alimentar, utilizando algoritmos de ML e estatísticas clássicas. Este é um estudo transversal com dados basais do "Brazilian Cardioprotective Nutritional Program - BALANCE Program" que incluiu 1990 pacientes. Os seguintes dados foram obtidos por meio de questionários: características socioeconômicas, clínicas e comportamentais, além de avaliação bioquímica dos principais marcadores de risco cardiovascular. Para a análise de agrupamento foi avaliado os algorithms k-means, hierarchical agglomerative clustering, expectation-maximization, e spectral clustering. A revisão sistemática foi conduzida de acordo com o PRISMA e registrado no Banco de dados PROSPERO. Uma busca na literatura foi realizada usando cinco bancos de dados eletrônicos e 36 estudos originais foram incluídos na revisão. Dos 1990 participantes 58,4% eram do sexo masculino, com mediana de idade de 63 anos. Além disso, 53,8% eram ex- fumantes e 65% não praticavam atividade física. Foram encontrados quatro grupos, dois compostos exclusivamente por homens e dois por mulheres. Foi observada nos grupos masculinos uma maior renda; escolaridade; fumantes e ex-fumantes; praticantes de atividade física; maior consumo de calorias, ácidos graxos poliinsaturados e ômega 6 e um menor consumo de ácidos graxos saturados. Além disso, observou-se presença mais frequente de doença arterial coronariana e infarto agudo do miocárdio. Os grupos compostos por mulheres apresentaram mais obesidade, diabetes mellitus, hipertensão arterial sistêmica, dislipidemia e maisfatores de risco para DCV. Indivíduos com dois ou mais eventos cardiovasculares, comparados aos indivíduos com apenas um evento, apresentavam menor renda, hábito de fumar, concentrações elevadas de glicemia e baixa lipoproteína de alta densidade, maior razão cintura/estatura, maior consumo de alimentos culinários processados e menor consumo de fibras. Além disso, observou-se também baixa ingestão de cobre, magnésio, selênio, vitaminas B12 e C. Em conclusão, os resultados revelaram diferenças relacionadas ao sexo e ao uso de hipoglicemiantes nas DCV que podem levar a diversos eventos cardiovasculares. Além disso, as técnicas de ML podem ser uma ferramenta robusta para explorar padrões e relações aplicadas ao problema de DCV. Ademais, os resultados sugerem relações importantes entre as baixas concentrações de micronutrientes e um perfil metabólico e alimentar mais alterado nos indivíduos com mais de um evento cardiovascular. O uso de ML na nutrição é recente e desafiador, portanto, é encorajado que mais estudos sejam realizados relacionando esses temas para o desenvolvimento de programas de reeducação alimentar e políticas públicas. Palavras-chave: Doença cardiovascular. Consumo alimentar. Micronutrientes. Aprendizado de máquina. Algoritmos de agrupamento. Algoritmos supervisionados e não supervisionados.

Cardiovascular diseases (CVD) represent the leading cause of death in the world, having a financial impact on the quality of life of individuals. To address this important public health problem, Machine Learning (ML) techniques in healthcare have been used for disease prevention and prediction. The aim of this thesis was to investigate a population consisting of heart patients in secondary care, focusing on their sociodemographic, clinical, lifestyle and food consumption characteristics, using ML algorithms and classical statistics. This is a cross-sectional study with baseline data from the "Brazilian Cardioprotective Nutritional Program - BALANCE Program" that included 1990 patients. The following data were obtained through questionnaires: socioeconomic, clinical and behavioral characteristics, and biochemical evaluation of the main cardiovascular risk markers. For cluster analysis, the k-means, hierarchical agglomerative clustering, expectation-maximization, and spectral clustering algorithms were used. The systematic review was conducted according to PRISMA and registered in the PROSPERO database. A literature search was conducted using five electronic databases and 36 original studies were included in the review. Of the 1990 participants 58.4% were male, with a median age of 63 years. In addition, 53.8% were former smokers and 65% did not practice physical activity. Four groups were found, two composed exclusively of men and two of women. It was observed in the male groups a higher income; education; smokers and ex-smokers; physical activity practitioners; higher consumption of calories, polyunsaturated fatty acids, and omega 6, and a lower consumption of saturated fatty acids. In addition, the presence of coronary artery disease and acute myocardial infarction was more frequent. The groups composed of women had more obesity, diabetes mellitus, hypertension, dyslipidemia, and more risk factors for CVD. Individuals with two or more cardiovascular events, compared to individuals with only one event, had lower income, smoking habits, high blood glucose and low high-density lipoproteinconcentrations, higher waist-to-height ratios, higher consumption of processed culinary foods, and lower fiber intake. In addition, low intakes of copper, magnesium, selenium, vitamins B12 and C were also observed. In conclusion, the results revealed differences related to gender and the use of hypoglycemic agents in CVD that can lead to various cardiovascular events. Moreover, ML techniques can be a robust tool to explore patterns and relationships applied to the CVD problem. Furthermore, the results suggest important relationships between low micronutrient concentrations and a more altered metabolic and dietary profile in individuals with more than one cardiovascular event. The use of ML in nutrition is recent and challenging, so it is encouraged that further studies are conducted relating these issues for the development of dietary re-education programs and public policies. Keywords: Cardiovascular disease. Food consumption. Micronutrients. Machine learning. Clustering Algorithms. Supervised and unsupervised algorithms.