Does machine learning have a high performance to predict obesity among adults and older adults? A systematic review and meta-analysis.

AIM: Machine learning may be a tool with the potential for obesity prediction. This study aims to review the literature on the performance of machine learning models in predicting obesity and to quantify the pooled results through a meta-analysis. DATA SYNTHESIS: A systematic review and meta-analysis were conducted, including studies that used machine learning to predict obesity. Searches were conducted in October 2023 across databases including LILACS, Web of Science, Scopus, Embase, and CINAHL. We included studies that utilized classification models and reported results in the Area Under the ROC Curve (AUC) (PROSPERO registration: CRD42022306940), without imposing restrictions on the year of publication. The risk of bias was assessed using an adapted version of the Transparent Reporting of a multivariable prediction model for individual Prognosis or Diagnosis (TRIPOD). Meta-analysis was conducted using MedCalc software. A total of 14 studies were included, with the majority demonstrating satisfactory performance for obesity prediction, with AUCs exceeding 0.70. The random forest algorithm emerged as the top performer in obesity prediction, achieving an AUC of 0.86 (95%CI: 0.76-0.96; I2: 99.8%), closely followed by logistic regression with an AUC of 0.85 (95%CI: 0.75-0.95; I2: 99.6%). The least effective model was gradient boosting, with an AUC of 0.77 (95%CI: 0.71-0.82; I2: 98.1%). CONCLUSION: Machine learning models demonstrated satisfactory predictive performance for obesity. However, future research should utilize more comparable data, larger databases, and a broader range of machine learning models.

Improving the performance of machine learning algorithms for health outcomes predictions in multicentric cohorts.

Machine learning algorithms are being increasingly used in healthcare settings but their generalizability between different regions is still unknown. This study aims to identify the strategy that maximizes the predictive performance of identifying the risk of death by COVID-19 in different regions of a large and unequal country. This is a multicenter cohort study with data collected from patients with a positive RT-PCR test for COVID-19 from March to August 2020 (n = 8477) in 18 hospitals, covering all five Brazilian regions. Of all patients with a positive RT-PCR test during the period, 2356 (28%) died. Eight different strategies were used for training and evaluating the performance of three popular machine learning algorithms (extreme gradient boosting, lightGBM, and catboost). The strategies ranged from only using training data from a single hospital, up to aggregating patients by their geographic regions. The predictive performance of the algorithms was evaluated by the area under the ROC curve (AUROC) on the test set of each hospital. We found that the best overall predictive performances were obtained when using training data from the same hospital, which was the winning strategy for 11 (61%) of the 18 participating hospitals. In this study, the use of more patient data from other regions slightly decreased predictive performance. However, models trained in other hospitals still had acceptable performances and could be a solution while data for a specific hospital is being collected.

Physician preference for receiving machine learning predictive results: A cross-sectional multicentric study.

Artificial intelligence (AI) algorithms are transforming several areas of the digital world and are increasingly being applied in healthcare. Mobile apps based on predictive machine learning models have the potential to improve health outcomes, but there is still no consensus on how to inform doctors about their results. The aim of this study was to investigate how healthcare professionals prefer to receive predictions generated by machine learning algorithms. A systematic search in MEDLINE, via PubMed, EMBASE and Web of Science was first performed. We developed a mobile app, RandomIA, to predict the occurrence of clinical outcomes, initially for COVID-19 and later expected to be expanded to other diseases. A questionnaire called System Usability Scale (SUS) was selected to assess the usability of the mobile app. A total of 69 doctors from the five regions of Brazil tested RandomIA and evaluated three different ways to visualize the predictions. For prognostic outcomes (mechanical ventilation, admission to an intensive care unit, and death), most doctors (62.9%) preferred a more complex visualization, represented by a bar graph with three categories (low, medium, and high probability) and a probability density graph for each outcome. For the diagnostic prediction of COVID-19, there was also a majority preference (65.4%) for the same option. Our results indicate that doctors could be more inclined to prefer receiving detailed results from predictive machine learning algorithms.

The influence of reproductive information quality on the probability of unplanned and unwanted pregnancies in Brazil / A influência da qualidade da informação reprodutiva na probabilidade de gravidez não planejada e indesejada no Brasil

Background: Unplanned pregnancies are a significant risk factor for inadequate use of prenatal care, and unplanned newborns are prone to having low birth weight. Women with unplanned pregnancies have a higher probability of reporting medical problems before and during pregnancy. In fact, the wellbeing of the entire household may be affected. Moreover, unplanned pregnancies have been associated with a higher social burden on taxpayers. Methods: The paper uses propensity score matching approaches to estimate the effect of having correct fertility information on the probability of having unplanned pregnancies. The data was collected from a nationally representative sample of Brazilian women between the ages of 15 and 49 years. Results: Only 26% of pregnant women have the correct information about fertility levels over the menstrual cycle. Women endowed with correct information are 12% less likely to have unwanted pregnancies and 24% less likely to have unplanned pregnancies. Conclusions: Basic fertility knowledge is an important predictor of unplanned pregnancies in Brazil, but only a small share of Brazilian women have this knowledge. More optimistically, offering access to basic fertility information to women of childbearing age can significantly decrease the instances of unplanned pregnancies, thus generating significant benefits to public health and social security systems.

Introdução: A gravidez não planejada é um fator de risco significativo para uso inadequado do cuidado pré-natal, e os recém-nascidos não planejados são propensos a ter baixo peso ao nascer. Mulheres com gravidez não planejada têm maior probabilidade de relatar problemas médicos antes e durante a gravidez. De fato, o bem-estar de toda a família pode ser afetado. Além disso, gravidezes não planejadas têm sido associadas a maior ônus social para os contribuintes. Métodos: O artigo usa abordagens de Propensity Score Matching para estimar o efeito de ter informações corretas de fertilidade sobre a probabilidade de ter gravidezes não planejadas. Os dados foram coletados de uma amostra nacionalmente representativa de mulheres brasileiras com idades entre 15 e 49 anos. Resultados: Apenas 26% das mulheres grávidas têm informações corretas sobre os níveis de fertilidade ao longo do ciclo menstrual. Mulheres com informações corretas têm 12% menos chances de ter uma gravidez indesejada e 24% menos probabilidade de ter uma gravidez não planejada. Conclusões: O conhecimento básico sobre fertilidade é um importante preditor de gravidez não planejada no Brasil, no entanto apenas uma pequena parcela das mulheres brasileiras tem esse conhecimento. De forma mais otimista, oferecer acesso a informações básicas sobre fertilidade para mulheres em idade fértil pode diminuir significativamente os casos de gravidez não planejada, gerando benefícios significativos para os sistemas de saúde pública e de seguridade social.

Diretriz metodológica para estudos de avaliação econômica de tecnologias em saúde no Brasil / Methodological guidelines for economic evaluation studies of health technologies in Brazil

Objetivos: Resumir os principais pontos da Diretriz de Avaliação Econômica em Saúde (AES) do Ministério da Saúde. Métodos: As diretrizes para AES no Brasil foram desenvolvidas por intermédio de múltiplas rodadas de trabalho iterativas por grupo multidisciplinar de especialistas em economia da saúde e foram submetidas à consulta pública. Resultados: O problema deve ser definido por meio de uma questão de pesquisa estruturada. O estudo pode ser baseado em dados primários ou em modelagem, em que o primeiro aumenta a validade interna dos resultados e o segundo, a capacidade de generalização do estudo. Quando o trabalho for baseado em modelagem e focado em doença crônica, o modelo de Markov pode ser usualmente empregado, quando não houver necessidades que apontem para simulação de eventos discretos (como competição dos indivíduos por recursos escassos) ou modelos de transmissão dinâmica (em vacinação e/ou doenças infecciosas com alta transmissão entre indivíduos). O horizonte temporal preferencial é o de tempo de vida, e a taxa de desconto padrão é de 5% para custo e efetividade. Os custos devem representar a perspectiva do Sistema Único de Saúde (SUS), podendo ser estimados por macrocusteio ou microcusteio. Sempre que possível, os resultados devem ser apresentados no formato de custo por ano de vida salvo ajustado para qualidade, para facilitar comparações com outros estudos. Análises de sensibilidade devem ser extensamente empregadas, de forma a avaliar o impacto da incerteza nos resultados produzidos. Conclusões: Espera-se que, com a padronização da metodologia proposta na Diretriz, a produção de AES no país tenha incremento na sua qualidade e reprodutibilidade.

Objectives: To summarize the main points from the Brazilian's Ministry of Health Economic Evaluations (HEE) guideline. Methods: The guideline was developed through multiple rounds of iterative work, conducted by a multidisciplinary team of specialists in health economics, and where submitted to public consultation. Results: The decision problem should be defined through a structured research question. The study can be either primary data or model-based; in the first case, there is greater internal validity, while the second generates a superior generalizability. When the study is model-based and focused on a chronic disease, a Markov model can be usually employed, except for situations that points towards the need of a discrete event simulation (such as competition of individuals for scarce resources) or a dynamic transition model (for example, vaccination models and infectious diseases with high transmission rates between individuals). The preferred time horizon is the lifetime one, and the default discount rate is 5% for both costs and effectiveness. Costs should represent the Unified Health System (SUS) perspective and can be estimated through either gross-costing or micro-costing. Results should be presented as costs per quality adjusted life years (QALYs) whenever possible, to facilitate comparison with other studies. Sensitivity analyses should be widely employed, in order to evaluate the impact of uncertainty in the results produced by the model. Conclusions: It is expected that, with the standardization proposed in this guideline, the HEE production in Brazil has gains in quality and reproducibility.

Consolidação da Rede para Políticas Informadas por Evidências - EVIPNet Brasil: relato da experiência nacional de construção de uma plataforma de tradução do conhecimento para o SUS / Consolidation for Evidence-Informed Policy Network - EVIPNet Brazil: report of the national experience of building a knowledge translation platform for Brazilian Public Healthcare System (SUS)

Esse artigo relata a experiência de implementação do plano de ação da Rede para Políticas Informadas por Evidências (EVIPNet Brasil), descrevendo suas atividades, de janeiro/2013 a março/ 2016, e discutindo sua relevância para a consolidação da iniciativa como uma plataforma de tradução do conhecimento para o Sistema Único de Saúde (SUS). Foi realizado um estudo de caso, utilizando abordagem descritiva. Os dados foram coletados junto à Secretaria Executiva da EVIPNet Brasil, mediante análise dos relatórios anuais e pela consulta direta à coordenação da rede no Ministério da Saúde. Foram identificadas atividades em quatro categorias: atividades de capacitação, suporte ao desenvolvimento da rede, produtos de tradução do conhecimento e difusão e disseminação. As atividades de maior relevância incluem capacitações para aplicação das Ferramentas SUPPORT, cursos de pós-graduação lato-sensu e online, lançamento de chamada pública para apoio a projetos, elaboração de sínteses de evidências, organizações de diálogos deliberativos, publicação de artigos científicos, manutenção de portal na internet, atuação nas redes sociais virtuais e participação em eventos científicos e de gestão. Os resultados mostraram o crescimento sustentado das atividades da EVIPNet Brasil e sugerem que a rede está em processo de consolidação como plataforma de tradução de conhecimento no Brasil.