Caracterização da População Brasileira que sofre de Catarata-Hipertensão - Um Estudo Baseado na Base de Dados PNS 2019

• Anna Luiza Silva Pontifícia Universidade Católica de Minas Gerais http://orcid.org/0009-0000-8918-7091
• Luis E. Zárate Pontifícia Universidade Católica de Minas Gerais

DOI: https://doi.org/10.5753/sbbd_estendido.2025.247896

Resumo

Este estudo investiga a relação entre hipertensão arterial e catarata, condições com alta prevalência e impacto na saúde pública. A catarata é responsável por 51% dos casos de cegueira no mundo, enquanto a hipertensão afeta 45% da população adulta brasileira. Utilizando dados da Pesquisa Nacional de Saúde de 2019, o estudo analisou três grupos: pessoas sem nenhum diagnóstico, hipertensas e pessoas com hipertensão e catarata. Técnicas de aprendizado de máquina foram aplicadas para criar modelos preditivos visando diagnóstico precoce e personalização do tratamento. Dois modelos foram avaliados: RandomForest, com acurácia de 72%, e Árvore de Decisão, com 68%, destacando a variável "última consulta médica"como a mais relevante.

Palavras-chave: Hipertensão, Catarata, Saúde Pública, Aprendizado de Máquina, Árvore de Decisão, RandomForest

Referências

Ang, M. J. and Afshari, N. A. (2021). Cataract and systemic disease: A review. Clinical & Experimental Ophthalmology, 49(2):118–127.

Gonçalves, L., Franca, D., and Zarate, L. (2024). Relevância do entendimento do domínio de problema na construção de modelos computacionais de aprendizado. In Anais do XVIII Brazilian e-Science Workshop, pages 135–142, Porto Alegre, RS, Brasil. SBC.

Hirohiko, K., Koshimizu, H., Nakamura, K., and Okuno, Y. (2024). Recent developments in machine learning modeling methods for hypertension treatment. Hypertension Research, 47(3):700–707.

IBGE (2020). Pesquisa nacional de saúde 2019 - instituto brasileiro de geografia e estatística. [link]. Acesso em: 2024-07-15.

Ishii, K., Ryo, A., Takashi, O., Shingo, M., Yuri, F., Hiroshi, M., Keiichi, O., Atsushi, N., Shuhei, Y., Akira, O., and Masaki, T. (2021). Predicting intraocular pressure using systemic variables or fundus photography with deep learning in a health examination cohort. Sci Rep, 11.

Kuriakose, K. K., Raj, B., Murty, S., and Swaminathan, P. (2010). Knowledge management maturity models – a morphological analysis. Journal of Knowledge Management Practice, 11(3):1–10.

Lin, D., Chen, J., Lin, Z., Li, X., Zhang, K., Wu, X., Liu, Z., Huangc, J., Li, J., Zhu, Y., Chen, C., Zhao, L., Xiang, Y., Guo, C., Wang, L., Liu, Y., Chen, W., and Lin, H. (2020). A practical model for the identification of congenital cataracts using machine learning. eBioMedicine.

Nunez, R., Harris, A., Szopos, M., Rai, R., Keller, J., Wikle, C., Robinson, E. L., Lin, M., Zou, D., Verticchio, A., Siesky, B. A., and Guidoboni, G. (2022). Clarifying the roles of high and low blood pressure in glaucoma via physiology-informed machine learning. Invest. Ophthalmol. Vis. Sci., 63(7).

Ranran, C., Jinming, L., Yujie, L., Yiping, J., Xue, W., Hong, L., Yanlong, B., and Haohao, Z. (2024). Machine learning models for predicting 24-hour intraocular pressure changes: A comparative study. Med Sci Monit., 3(30).

Santhanam, P. and Ahima, R. (2019). Machine learning and blood pressure. J Clin Hypertens.

Tomoyo, Y., Akiko, H., Kazumasa, Y., Kenya, Y., Miki, U., Yoko, O., Mariko, S., Kazuo, T., Norie, S., Kazuno, N., Shoichiro, T., and Hiroyasu, I. (2021). Hypertension and hypercholesterolemia are associated with cataract development in patients with type 2 diabetes. High Blood Press Cardiovasc Prev, 28:475–481.

Zafar, S., Khurram, H., Kamran, M., Fatima, M., Parvaiz, A., and Shaikh, R. S. (2023). Potential of gja8 gene variants in predicting age-related cataract: A comparison of supervised machine learning methods. PLOS One.