Inteligência Artificial Na Avaliação Do Consumo Alimentar: Avanços Na Análise Da Dieta E Predição De Desfechos Cardiovasculares

Abstract

A disponibilidade de grandes bancos de dados para análise associada ao desen- volvimento da capacidade de processamento, visualização e integração de diferentes fontes de informação em saúde têm impulsionado a aplicação de modelos baseados em Inteligência Artificial (IA) e no Aprendizado de Máquina para avaliação do consumo alimentar. O presente estudo tem como objetivo apresentar os avanços da IA na avaliação do consumo alimentar e predição de desfechos cardiovasculares. Foi realizada uma revisão da literatura para identificar os avanços e apresentar as perspectivas no campo da epidemiologia nutricional com o uso de algoritmos e inovações tecnológicas. Nos últimos anos, a aplicação da IA em inquéritos sobre o consumo alimentar apresentou resultados promissores na análise de padrões alimentares associados à obesidade e o desenvolvimento de doenças crônicas como diabetes, câncer e doenças cardiovasculares. Inovações tecnológicas na aplicação de métodos já estabelecidos para coleta de dados da dieta tais como recordatórios de 24 horas e questionários de frequência alimentar, têm permitido a construção de modelos preditivos para segmentar indivíduos com características demográficas e sociais similares, identificar relações no consumo de alimentos e grupos de alimentos, além de predizer os padrões de risco populacional de desenvolvimento de doenças. Os avanços nesta área podem subsidiar a tomada de decisão clínica com desenvolvimento de ações personalizadas em saúde.

Quality of life and socio-demographic factors associated with nutritional risk in Brazilian community-dwelling individuals aged 80 and over: cluster analysis and ensemble methods

“…In general, values equal to 0.5 correspond to the performance of a random classifier, values smaller than 0.6 (and greater than 0.5) indicate moderate predictive performance and values greater than 0.7 indicate good predictive performance. Furthermore, other evaluation metrics were calculated, such as sensitivity, specificity, area under curve, positive and negative predictive values ( 24 ).…”