Aplicação de Modelos Supervisionados de Machine Learning na Predição do Risco de Hipertensão Arterial

Alhandra Alves Viégas; Renato Máximo Sátiro

DOI: 10.22167/2675-6528-202602620

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A hipertensão arterial constituiu um importante problema de saúde pública, associado a fatores clínicos, metabólicos e comportamentais. Este estudo teve como objetivo desenvolver e avaliar modelos supervisionados de XGBoost e Regressão Logística para classificar o risco de hipertensão em adultos, bem como identificar as variáveis de maior contribuição para as predições. Utilizou-se o Hypertension Risk Prediction Dataset, disponível na plataforma Kaggle, composto por 174.982 registros e 23 variáveis. A pesquisa adotou abordagem quantitativa, descritiva, exploratória e preditiva. Os dados foram submetidos à análise exploratória, codificação de variáveis categóricas e divisão estratificada em 80% para treinamento e 20% para teste. O desempenho dos modelos foi avaliado por métricas de classificação e curva Precision-Recall, e a interpretabilidade foi analisada pela técnica SHAP. Os resultados indicaram maior contribuição de variáveis como pressão arterial sistólica e diastólica, idade e índice de massa corporal para as predições. Entretanto, o XGBoost apresentou Average Precision de 0,715, valor inferior ao classificador basal de 0,719, evidenciando capacidade discriminativa restrita. A Regressão Logística também exibiu desempenho limitado, com AUC-ROC de 0,49. Concluiu-se que os modelos permitiram explorar os fatores associados à classificação da hipertensão e ampliar a interpretabilidade das predições, porém o desbalanceamento entre as classes e o desempenho obtido limitaram sua aplicação preditiva, indicando a necessidade de ajustes adicionais. Os modelos são instrumentos experimentais de análise de dados, não ferramentas clínicas validadas.

Palavras-chave: Classificação binária; Fatores clínicos; Interpretabilidade; Regressão logística; XGBoost.

1. Introdução

A hipertensão arterial constitui um problema significativo de saúde pública, dada sua associação com a morbimortalidade e o comprometimento de órgãos vitais, como cérebro, rins e coração. A pressão arterial elevada é reconhecida como um dos principais fatores de risco de mortalidade, sendo influenciada por componentes genéticos e ambientais (Springer, 2024; Mroz et al., 2024).

Estimativas indicam que o número de indivíduos com hipertensão pode atingir 1,5 bilhão até 2025, com maior prevalência entre pessoas de faixas etárias mais elevadas (Felix et al., 2024). A prevalência da doença aumenta com a idade, podendo alcançar aproximadamente 60% entre pessoas mais velhas. Esse cenário está relacionado a fatores como sedentarismo, aumento da gordura corporal e menor prática de exercícios físicos (Adeleke et al., 2024).

Além da idade, diversas características comportamentais e metabólicas estão associadas ao desenvolvimento da hipertensão arterial. A alimentação inadequada, caracterizada pelo alto consumo de sal e gorduras saturadas e baixa ingestão de frutas e vegetais, é um fator de risco (Pereira e Fisberg, 2024). Outros elementos, como tabagismo, sedentarismo, consumo de álcool e excesso de peso, também contribuem para o aumento do risco da doença (Cheraghi et al., 2025). A identificação conjunta dessas características é fundamental para ampliar a compreensão dos fatores associados à hipertensão e apoiar estratégias de monitoramento.

Nesse contexto, técnicas de Machine Learning têm sido empregadas na análise de dados em saúde. Elas permitem o processamento de grandes volumes de informações e a identificação de padrões e relações entre diferentes variáveis, complementando métodos estatísticos tradicionais. Essas abordagens contribuem para tarefas de classificação e predição, auxiliando na tomada de decisão (Bisong et al., 2024; Martínez-García et al., 2025). Diferentes métodos, incluindo modelos de ensemble, redes neurais e técnicas de aprendizado supervisionado, são utilizados na análise de dados médicos para identificar padrões relevantes em condições clínicas (Guo et al., 2024).

O aprendizado supervisionado, uma das abordagens de Machine Learning, utiliza observações previamente rotuladas para desenvolver modelos capazes de classificar novos registros (Bora et al., 2025). Neste estudo, foram empregados os algoritmos XGBoost e Regressão Logística. O XGBoost permite explorar relações não lineares e interações entre variáveis, enquanto a Regressão Logística serve como uma abordagem linear de comparação. A combinação desses métodos possibilita analisar o comportamento de diferentes estratégias de classificação aplicadas a dados clínicos, metabólicos, demográficos e de estilo de vida (Hua et al., 2025).

Diante desse cenário, a investigação buscou responder se é possível classificar o risco de hipertensão arterial em adultos por meio de algoritmos supervisionados de Machine Learning, considerando dados clínicos e de estilo de vida. A pesquisa é relevante por permitir avaliar o desempenho preditivo e identificar quais variáveis contribuem mais para as classificações dos modelos. A interpretação desses resultados também possibilita identificar limitações relacionadas às características da base de dados e ao comportamento dos algoritmos empregados.

Assim, este estudo teve como objetivo desenvolver e avaliar modelos supervisionados de XGBoost e Regressão Logística para classificar o risco de hipertensão arterial em adultos a partir de variáveis clínicas, metabólicas, demográficas e de estilo de vida, bem como identificar as variáveis de maior contribuição para as predições realizadas.

2. Material e Métodos

A pesquisa foi realizada no segundo semestre de 2025 e adotou uma abordagem quantitativa, descritiva, exploratória e preditiva. O objetivo central foi o desenvolvimento e a avaliação de modelos supervisionados de Machine Learning, destinados à classificação do risco de hipertensão arterial em adultos.

As etapas de organização, processamento, análise exploratória, modelagem e avaliação dos dados foram executadas em linguagem Python. Para isso, utilizaram-se as bibliotecas pandas, seaborn, scikit-learn, matplotlib, XGBoost e SHAP, que auxiliaram na implementação dos procedimentos metodológicos.

A fonte dos dados foi o Hypertension Risk Prediction Dataset, um conjunto de dados disponibilizado publicamente na plataforma Kaggle (Pandey, 2025). Este conjunto compreendeu 174.982 registros de indivíduos adultos, com idades entre 18 e 89 anos, e um total de 23 variáveis.

As variáveis incluíram características demográficas, antropométricas, clínicas, metabólicas e comportamentais. A variável-alvo, denominada Hypertension, foi categorizada em duas classes, High e Low, para a tarefa de classificação binária, enquanto as demais variáveis foram consideradas atributos preditores.

Inicialmente, realizou-se a inspeção da estrutura do conjunto de dados e dos tipos das variáveis. A base de dados foi disponibilizada previamente tratada e sem registros ausentes, dispensando a aplicação de técnicas de imputação de valores.

As variáveis categóricas foram convertidas para representação numérica por meio da codificação “one-hot”, permitindo sua utilização pelos algoritmos supervisionados. Para a caracterização das variáveis quantitativas, calcularam-se média, desvio padrão, valor mínimo e valor máximo.

Adicionalmente, elaborou-se uma matriz de correlação utilizando o coeficiente de Spearman, aplicado às variáveis quantitativas. Este procedimento visou avaliar a intensidade e a direção de associações monotônicas entre os atributos clínicos e metabólicos.

Após o pré-processamento, o conjunto de dados foi dividido de forma estratificada em 80% para treinamento dos modelos e 20% para teste. A estratificação garantiu a preservação da proporção das categorias da variável-alvo em ambos os subconjuntos.

O conjunto de teste foi reservado para a avaliação do desempenho dos modelos em registros não utilizados durante a fase de treinamento. Observou-se desbalanceamento entre as classes da variável-alvo; contudo, não foram aplicadas técnicas de reamostragem, como a Synthetic Minority Over-sampling Technique [SMOTE], nem ajuste de pesos das classes.

Optou-se por preservar a distribuição original do conjunto de dados (Knox, 2026), considerando que essa abordagem seria mais representativa do cenário real dos dados. Essa decisão foi relevante para a interpretação das métricas de desempenho.

O primeiro modelo empregado foi o Extreme Gradient Boosting [XGBoost], um algoritmo supervisionado baseado na construção sequencial de árvores de decisão. Nesse procedimento, cada nova árvore foi adicionada para reduzir os erros dos estimadores anteriores, incorporando um termo de regularização para controlar a complexidade e mitigar o sobreajuste (Chen e Guestrin, 2016; Zhuo et al., 2025).

A função objetivo do XGBoost foi definida pela soma da função de perda, que mensura a diferença entre o valor observado e a predição, e de um termo de regularização, que controla a complexidade das árvores adicionadas ao modelo. O modelo foi configurado com 300 estimadores, profundidade máxima de quatro, taxa de aprendizado de 0,05 e proporção de amostragem de 0,8 para registros e variáveis.

Utilizou-se classificação binária, com a área sob a curva como métrica de avaliação durante o treinamento e semente aleatória igual a 42. Os hiperparâmetros foram definidos previamente, sem realização de busca automatizada ou validação cruzada.

A Regressão Logística foi utilizada como modelo linear comparativo ao XGBoost para estimar a probabilidade da classe positiva a partir de uma combinação linear das variáveis explicativas (Dey et al., 2025; Hua et al., 2025). A probabilidade estimada de ocorrência da classe positiva foi modelada por meio da função logística, que relaciona linearmente as variáveis explicativas com o logaritmo das chances do desfecho, utilizando coeficientes e um intercepto.

Os coeficientes da Regressão Logística foram empregados para analisar a relação entre as variáveis explicativas e o desfecho por meio das razões de chances (odds ratios [OR]). Valores de OR superiores a um indicaram associação positiva, enquanto valores inferiores a um indicaram associação oposta, com intervalos de confiança considerados na interpretação da magnitude e da incerteza das associações.

A avaliação do desempenho preditivo dos modelos foi realizada no conjunto de teste, considerando métricas como acurácia, sensibilidade, especificidade, precisão, “recall”, “F1-score” e área sob a curva Receiver Operating Characteristic [AUC-ROC]. Devido ao desbalanceamento da variável-alvo, empregou-se a curva Precision-Recall para analisar a relação entre precisão e sensibilidade em diferentes limiares de classificação.

O desempenho global nessa análise foi sintetizado pela métrica Average Precision [AP] e comparado a uma linha basal correspondente à proporção da classe positiva. Também se utilizou a curva de decisão para analisar o benefício líquido das classificações em diferentes probabilidades de corte, comparando o modelo com estratégias de considerar todos ou nenhum registro como positivo.

A calibração das previsões foi analisada para verificar a correspondência entre as probabilidades estimadas e as proporções observadas, complementando as métricas discriminativas. Essa análise permitiu verificar o comportamento das probabilidades preditas em diferentes faixas de risco.

A interpretabilidade das predições do XGBoost foi aprofundada pela técnica SHapley Additive exPlanations [SHAP], que mensurou a contribuição individual das variáveis para a saída do modelo. Os valores SHAP permitiram analisar a magnitude e a direção da contribuição dos atributos nas previsões.

Para a análise SHAP, utilizou-se um modelo XGBoost configurado com 100 estimadores, profundidade máxima de quatro, taxa de aprendizado de 0,1, proporção de amostragem de 0,8, “log loss” como métrica de avaliação e semente aleatória igual a 42. Os valores SHAP foram analisados globalmente, por meio da distribuição das contribuições das variáveis e sua importância média absoluta, e especificamente para a pressão arterial sistólica.

A pesquisa utilizou exclusivamente dados secundários de acesso público, sem coleta primária de informações, intervenção ou contato direto com participantes. Não houve utilização de elementos que possibilitassem a identificação individual dos registros, e o estudo enquadrou-se na Resolução do Conselho Nacional de Saúde nº 510, de 07 abr. 2016, art. 1º, parágrafo único, inciso II, dispensando submissão a Comitê de Ética em Pesquisa. As características anônimas da base foram preservadas, e todas as fontes utilizadas foram devidamente citadas e referenciadas.

3. Resultados e Discussão

Os resultados da pesquisa foram analisados com o propósito de caracterizar o conjunto de dados empregado, avaliar o comportamento dos modelos supervisionados desenvolvidos e identificar as variáveis que apresentaram maior contribuição para a classificação do risco de hipertensão arterial. A interpretação dos achados considerou análises descritivas, correlações entre atributos, a importância das variáveis, a interpretabilidade por meio da técnica SHAP, o desempenho discriminativo dos modelos, a calibração das previsões, a curva de decisão e as razões de chances obtidas pela Regressão Logística. Também foram consideradas as limitações inerentes ao conjunto de dados e o desbalanceamento entre as categorias da variável-alvo.

Distribuição da variável-alvo

A avaliação inicial da distribuição da variável-alvo, Hipertensão, revelou um desbalanceamento significativo entre suas categorias. A categoria “High” (alto risco) compreendeu 125.781 registros, o que correspondeu a 71,88% da base de dados. Em contraste, a categoria “Low” (baixo risco) apresentou 49.201 registros, equivalentes a 28,12% do total. Essa predominância da classe “High” foi um fator crucial para a interpretação do desempenho dos modelos, pois classificadores podem exibir resultados aparentemente favoráveis ao priorizar a categoria majoritária.

A presença desse desequilíbrio entre as classes exigiu uma análise cuidadosa das métricas de desempenho. Para mitigar a influência da classe majoritária, foram empregadas medidas como a curva Precision-Recall e a métrica Average Precision (AP), que fornecem uma avaliação mais robusta em cenários de dados desbalanceados. Essa abordagem permitiu uma compreensão mais precisa da capacidade dos modelos em distinguir entre as duas categorias de risco de hipertensão, evitando interpretações enviesadas por uma simples acurácia.

Análise de correlação entre as variáveis clínicas

Para investigar as associações monotônicas entre as variáveis quantitativas, foi calculada uma matriz de correlação utilizando o coeficiente de Spearman. Os coeficientes obtidos, em sua maioria, permaneceram próximos de zero, indicando uma baixa associação monotônica entre as variáveis avaliadas. Atributos como idade, índice de massa corporal (IMC), pressão arterial sistólica e diastólica, colesterol, glicose, consumo de sal, duração do sono, nível de estresse e frequência cardíaca apresentaram correlações de pequena magnitude entre si.

A ausência de correlações elevadas sugeriu que os atributos não apresentavam fortes relações lineares entre si. Contudo, essa observação não implicou que cada variável contribuísse de forma independente para a classificação da hipertensão. Algoritmos baseados em árvores, como o XGBoost, são capazes de explorar relações não lineares e interações complexas entre variáveis, as quais não são adequadamente representadas por uma matriz de correlação linear. Portanto, a análise de Spearman serviu como uma ferramenta exploratória para caracterizar as relações entre os atributos, e não como um critério exclusivo para seleção ou exclusão de variáveis do modelo.

Análise descritiva do conjunto de dados

As características descritivas das variáveis quantitativas foram avaliadas para compreender a distribuição dos dados. A idade média dos indivíduos foi de 53,49 anos, com uma variação entre 18 e 89 anos. O índice de massa corporal (IMC) médio foi de 27,49 kg m⁻², com valores que oscilaram entre 15,0 e 40,0 kg m⁻². A pressão arterial sistólica média foi de 134,51 mmHg, variando de 90 a 179 mmHg, enquanto a pressão arterial diastólica média foi de 89,45 mmHg, com valores entre 60 e 119 mmHg.

As variáveis metabólicas também exibiram uma amplitude considerável. O colesterol total médio foi de 224,54, o LDL de 129,53, o HDL de 64,57, os triglicerídeos de 149,57 e a glicose de 134,49. Os desvios padrão associados a essas variáveis indicaram heterogeneidade nos registros avaliados. Em relação às variáveis comportamentais, o consumo de álcool apresentou média de 14,99, o nível de estresse de 5,01, o consumo de sal de 8,48 e a duração do sono de 7,00 horas. A frequência cardíaca média foi de 74,50 batimentos por minuto. Essa diversidade de valores nas variáveis forneceu uma base rica para as análises preditivas, embora a variabilidade descritiva isoladamente não estabeleça causalidade com a hipertensão.

Importância das variáveis no XGBoost

A importância atribuída às características pelo modelo XGBoost foi utilizada como uma análise preliminar da contribuição relativa dos atributos no processo de classificação. Os valores de importância apresentaram uma distribuição relativamente próxima entre os diversos atributos, sem uma concentração expressiva em uma única variável. Entre as características que se destacaram com maiores valores de importância, observou-se a presença de categorias associadas ao tabagismo, gênero, consumo de álcool, frequência cardíaca, duração do sono e IMC. Diversas variáveis clínicas e metabólicas também apresentaram valores de importância próximos entre si.

Esse resultado sugeriu que o processo de classificação não dependeu exclusivamente de um único atributo, mas sim de uma combinação de fatores. Contudo, a importância gerada pelo algoritmo deve ser interpretada com cautela, pois representa a contribuição relativa das variáveis para a estrutura do modelo e não informa, por si só, se um determinado valor aumentou ou reduziu a probabilidade prevista. Além disso, essa métrica não deve ser interpretada como evidência de causalidade ou de relevância clínica isolada, conforme destacado por Bisong et al. (2024), que enfatizaram a dependência do desempenho e da importância das características em relação às propriedades da população e do conjunto de dados analisado.

Análise da curva de decisão

Além das métricas tradicionais de classificação, a utilidade do modelo XGBoost foi examinada em diferentes limiares de decisão por meio da curva de decisão. Nos limiares inferiores e intermediários, a curva do XGBoost permaneceu praticamente sobreposta à estratégia de considerar todos os indivíduos como pertencentes à classe positiva. Esse comportamento indicou que, nessa faixa, o modelo ofereceu pouco ganho adicional em benefício líquido quando comparado à estratégia de classificar todos os registros como positivos.

A proximidade entre as curvas pode estar relacionada à predominância da categoria “High”, que representou 71,88% dos registros. À medida que o limiar aumentou e se aproximou de aproximadamente 0,70, o benefício líquido do modelo diminuiu progressivamente, aproximando-se de zero. Em limiares superiores, a vantagem prática do modelo tornou-se reduzida. A curva de decisão complementa as métricas discriminativas, relacionando as classificações aos limiares de decisão, sendo útil para avaliar o benefício líquido em contextos de risco, conforme apontado por Effati et al. (2024). No entanto, os resultados observados não sustentaram uma superioridade clínica do modelo em toda a faixa analisada, indicando utilidade incremental limitada em parte relevante dos limiares avaliados.

Avaliação do desempenho pela curva Precision-Recall

Considerando o desbalanceamento da variável-alvo, o desempenho discriminativo do modelo XGBoost foi avaliado pela curva Precision-Recall. O modelo apresentou um Average Precision (AP) de 0,715, valor que se mostrou ligeiramente inferior à referência basal de 0,719, associada à distribuição da classe positiva. Esse resultado indicou uma capacidade discriminativa limitada do modelo, sugerindo que ele teve dificuldades em combinar simultaneamente níveis elevados de precisão e sensibilidade.

A curva Precision-Recall permaneceu próxima ao nível correspondente à prevalência da classe positiva em grande parte dos valores de “recall”. Essa proximidade entre o AP do modelo e o classificador basal pode ser atribuída ao desbalanceamento entre as categorias, à limitada separabilidade das classes e às características disponíveis no conjunto de dados. Qi et al. (2025) destacaram a importância da análise das curvas de desempenho e de diferentes limiares para evitar interpretações baseadas exclusivamente em uma única métrica. Portanto, embora o XGBoost tenha permitido explorar os atributos e produzir análises interpretáveis, seu desempenho discriminativo global permaneceu restrito, o que deve ser considerado em qualquer avaliação de sua utilidade prática.

Interpretabilidade das predições por SHAP

A interpretação das predições do XGBoost foi aprofundada por meio da técnica SHapley Additive exPlanations (SHAP), que permitiu mensurar a contribuição individual das variáveis para a saída do modelo. A distribuição dos valores SHAP para as variáveis analisadas, como idade, colesterol, glicose, pressão arterial sistólica, IMC, pressão arterial diastólica e frequência cardíaca, demonstrou sobreposição de valores positivos e negativos. Isso evidenciou que a contribuição de um atributo não ocorreu de forma uniforme para todas as observações, indicando que a relevância de uma variável pode variar dependendo do registro individual.

Esse comportamento reforçou uma das vantagens da técnica SHAP, que permite observar como uma variável pode ter relevância global e, ao mesmo tempo, contribuir de maneira diferente em registros individuais. Huang et al. (2025) destacaram a utilidade do SHAP para ampliar a interpretabilidade de modelos de Machine Learning, permitindo avaliar como diferentes atributos participam das predições. É importante ressaltar que os valores SHAP representam uma explicação do comportamento do modelo e não estimativas de efeitos causais. Dessa forma, não foi possível inferir que determinada variável tenha causado aumento ou redução do risco apenas com base nesses valores SHAP.

Contribuição média das variáveis

Para sintetizar a magnitude global das contribuições obtidas pela análise SHAP, foram calculados os valores médios absolutos para as características apresentadas. A idade demonstrou o maior valor médio absoluto de SHAP, seguida pelo colesterol e pela glicose. Na sequência, observou-se a pressão arterial sistólica, o IMC, a pressão arterial diastólica e a frequência cardíaca como variáveis com contribuições médias significativas. Esse ranking de importância diferiu parcialmente do ranking de importância apresentado diretamente pelo XGBoost, pois os dois procedimentos representam conceitos distintos de importância.

Enquanto a importância interna do XGBoost está associada à utilização das variáveis na construção das árvores, a média absoluta dos valores SHAP representa a magnitude média da contribuição dos atributos nas predições avaliadas. A presença da idade entre as variáveis de maior contribuição é compatível com o conhecimento de que a ocorrência da hipertensão aumenta nas faixas etárias mais elevadas. Colesterol e glicose também são componentes do perfil metabólico relevantes para as classificações, reforçando o caráter multifatorial do problema, como apontado por Islam et al. (2025). Contudo, a importância média absoluta não indica a direção da associação, apenas a magnitude média de participação nas predições.

Impacto da pressão arterial sistólica na predição

A contribuição específica da pressão arterial sistólica foi examinada por meio de sua relação com os respectivos valores SHAP, utilizando a idade como variável adicional de representação. Os valores SHAP da pressão arterial sistólica apresentaram ampla dispersão ao longo de praticamente toda a faixa avaliada, evidenciando um comportamento não estritamente linear. Valores positivos indicaram contribuição para a direção definida como positiva pelo modelo, enquanto valores negativos representaram contribuição no sentido oposto, demonstrando a complexidade da interação entre as variáveis.

Entre aproximadamente 90 e 110 mmHg, observou-se uma dispersão relativamente elevada dos valores SHAP. Na região intermediária, entre aproximadamente 120 e 150 mmHg, as contribuições se concentraram mais próximas de zero. Nas faixas superiores, especialmente acima de aproximadamente 160 mmHg, voltou a ocorrer maior dispersão, incluindo contribuições positivas e negativas. Esse padrão demonstrou que a pressão sistólica não produziu uma contribuição uniforme para todas as observações, e sua interpretação dependeu do contexto formado pelas demais características do registro, sendo inadequado atribuir à pressão sistólica, isoladamente, a classificação produzida pelo modelo.

As cores utilizadas para representar a idade também indicaram a presença de indivíduos mais velhos em diferentes níveis da pressão sistólica, corroborando a literatura que aponta maior frequência de hipertensão em faixas etárias elevadas (Zhao et al., 2025). No entanto, a visualização foi utilizada para interpretar as predições do algoritmo e não para estabelecer uma relação causal entre idade, pressão arterial e hipertensão. Esse resultado evidenciou a capacidade do SHAP de observar comportamentos que não seriam representados por uma relação linear simples, reforçando que as predições dependeram da combinação de múltiplos atributos.

Calibração das probabilidades do XGBoost

Além da discriminação entre as classes, a correspondência entre as probabilidades produzidas pelo XGBoost e as proporções observadas foi avaliada por meio da calibração. Os pontos observados apresentaram maior proximidade da linha de referência em parte da faixa intermediária das probabilidades, enquanto diferenças mais pronunciadas foram observadas nos extremos. Esse comportamento indicou que a calibração não foi uniforme ao longo de toda a distribuição das previsões, o que pode impactar a confiança nas probabilidades preditas em diferentes cenários de risco.

O Brier score obtido foi de 0,203 e o log loss de 0,596. Essas métricas quantificaram o erro entre as probabilidades previstas e os resultados observados, mas seus valores isoladamente não permitiram afirmar que o modelo apresentou calibração satisfatória, sendo mais robusta sua interpretação quando comparada a modelos de referência ou validação em dados independentes. A instabilidade identificada em determinadas faixas pode estar relacionada ao número de observações disponível em cada intervalo, ao desbalanceamento da variável-alvo e à capacidade limitada do modelo de separar os padrões correspondentes às duas categorias. Assim, a análise de calibração acrescentou uma dimensão importante à avaliação do XGBoost, mas não eliminou a limitação já evidenciada pela curva Precision-Recall, confirmando que o desempenho discriminativo global permaneceu restrito.

Regressão Logística e razões de chances

A Regressão Logística foi empregada como modelo linear comparativo, permitindo avaliar a direção e a magnitude das associações estimadas entre algumas variáveis quantitativas e o desfecho. As razões de chances (OR) permaneceram muito próximas de um para todas as variáveis apresentadas. Triglicerídeos, pressão arterial diastólica, consumo de sal e HDL apresentaram estimativas ligeiramente superiores a um, enquanto IMC, pressão arterial sistólica, LDL, idade e colesterol apresentaram valores ligeiramente inferiores. Frequência cardíaca, glicose e duração do sono permaneceram próximas do valor de referência.

Os intervalos de confiança representados no gráfico atravessaram o valor um para todas as variáveis, indicando elevada incerteza nas estimativas e a ausência de evidências de associações lineares robustas entre os atributos e o desfecho. Esse resultado demonstrou a necessidade de cautela ao interpretar valores de OR próximos de um, pois as estimativas não sustentaram conclusões clínicas isoladas nem permitiram atribuir caráter protetor ou de risco às variáveis apenas com base no modelo apresentado. Em relação ao desempenho preditivo, a Regressão Logística apresentou acurácia de 50,6% e AUC-ROC de 0,49. Esses valores indicaram um desempenho próximo ao acaso, evidenciando capacidade discriminativa limitada, o que pode estar relacionado tanto às características do conjunto de dados quanto à limitação de um modelo linear para representar relações mais complexas entre os atributos.

Síntese dos resultados e limitações

De forma conjunta, os modelos desenvolvidos foram capazes de produzir classificações e permitiram a investigação da participação das variáveis, porém apresentaram limitações relevantes de desempenho. O XGBoost proporcionou maior flexibilidade para analisar relações não lineares e permitiu interpretação por SHAP, enquanto a Regressão Logística exibiu baixa capacidade discriminativa, com AUC-ROC de 0,49. A análise Precision-Recall constituiu uma das principais limitações observadas para o XGBoost, uma vez que sua Average Precision de 0,715 foi inferior à referência de 0,719, não demonstrando vantagem discriminativa global em relação à referência utilizada. As visualizações de interpretabilidade e a identificação de atributos relevantes para as decisões do algoritmo foram alcançadas, mas a capacidade preditiva ainda apresentou restrições para utilização prática.

Outras limitações do estudo incluíram a utilização de um único conjunto de dados, o que significa que os resultados refletiram especificamente as características da base analisada e não foram submetidos à validação externa em população independente. A decisão de não aplicar estratégias de tratamento para o desbalanceamento entre as categorias, como reamostragem ou ponderação das classes, preservou a distribuição original da base, mas pode ter influenciado a capacidade dos modelos de distinguir adequadamente a categoria minoritária. Além disso, a ausência de busca automatizada de hiperparâmetros e de validação cruzada limitou a investigação sobre configurações alternativas dos modelos. Dessa forma, os modelos devem ser compreendidos como instrumentos experimentais de análise de dados, e não como ferramentas clínicas validadas para diagnóstico, triagem ou tomada de decisão em pacientes.

4. Conclusão

O presente estudo buscou desenvolver e avaliar modelos supervisionados de XGBoost e Regressão Logística para classificar o risco de hipertensão arterial em adultos, além de identificar as variáveis de maior contribuição para as predições. Verificou-se que ambos os modelos foram capazes de produzir classificações e permitiram a investigação da participação das variáveis, embora com desempenho preditivo limitado. O XGBoost apresentou um Average Precision de 0,715, valor ligeiramente inferior à referência basal de 0,719, indicando capacidade discriminativa restrita. A Regressão Logística, por sua vez, exibiu um desempenho próximo ao acaso, com AUC-ROC de 0,49. A análise de interpretabilidade por meio da técnica SHAP revelou que variáveis como idade, colesterol, glicose, pressão arterial sistólica e diastólica, e índice de massa corporal (IMC) foram as que mais contribuíram para as predições, reforçando o caráter multifatorial da hipertensão. Contudo, o desbalanceamento significativo da variável-alvo, com predominância da categoria de alto risco, influenciou diretamente o desempenho observado e a interpretação das métricas.

A principal contribuição do estudo reside na demonstração da aplicabilidade técnica de métodos de Machine Learning para explorar fatores associados à classificação da hipertensão e na ampliação da interpretabilidade das predições, fornecendo uma base metodológica para futuras investigações. No entanto, as limitações identificadas, como a utilização de um único conjunto de dados secundários sem validação externa, a ausência de estratégias de balanceamento das classes e a restrição das variáveis disponíveis, impactaram a capacidade preditiva dos modelos. A não realização de otimização sistemática dos hiperparâmetros também limitou a exploração de configurações alternativas. Dessa forma, os modelos desenvolvidos são compreendidos como instrumentos experimentais de análise de dados, e não como ferramentas clínicas validadas. Para estudos futuros, sugere-se a incorporação de bases de dados de diferentes populações, a inclusão de novas variáveis clínicas e comportamentais, a avaliação de estratégias de balanceamento e a validação em conjuntos de dados independentes, visando aprimorar a generalização e a utilidade prática em saúde.

Referências Bibliográficas

Adeleke, O.; Adebayo, S.; Aworinde, H.; Adeniyi, Α.Ε.; Aroba, O.J. 2024. Machine learning evaluation of a hypertension screening program in a university workforce over five years. Scientific Reports 14(1): 30255.

Bisong, E.; Jibril, N.; Premnath, P.; Buligwa, E.; Oboh, G.; Chukwuma, A. 2024. Predicting high blood pressure using machine learning models in low- and middle-income countries. BMC Medical Informatics and Decision Making 24(1): 234.

Bora, K.; Kalimuthusamy, N.; Gogoi, A.J.; Garh, N.; Rabidas, M.; Chanda, G.; Borah, P.K. 2025. A machine learning approach to predict hypertension using cross-sectional and two-year follow-up data from a health and demographic cohort of Assam, North East India. The Indian Journal of Medical Research 161(4): 394.

Chen e Guestrin, 2016 [Referência completa não encontrada no documento original]

Cheraghi, Z.; Doosti-Irani, M.; Sohrabi, M.; Doosti-Irani, A. 2025. Predicting factors associated with uncontrolled hypertension using machine learning methods: a cross-sectional study in Western Iran. International Journal of Hypertension 2025: 4011397.

Dey, D.; Haque, M.S.; Islam, M.M.; Aishi, U.I.; Shammy, S.S.; Mayen, M.S.A.; Uddin, M.J. 2025. The proper application of logistic regression model in complex survey data: a systematic review. BMC Medical Research Methodology 25(1): 15.

Effati, S.; Kamarzardi-Torghabe, A.; Azizi-Froutaghe, F.; Atighi, I.; Ghiasi-Hafez, S. 2024. Web application using machine learning to predict cardiovascular disease and hypertension in mine workers. Scientific Reports 14(1): 31662.

Felix, P.V.; Pereira, J.L.; Fisberg, R.M. 2024. Associations between four diet quality indexes and high blood pressure among adults: results from the 2015 Health Survey of São Paulo. Nutrients 16(5): 629.

Guo, K.; Ni, W.; Du, L.; Zhou, Y.; Cheng, L.; Zhou, H. 2024. Environmental chemical exposures and a machine learning-based model for predicting hypertension in NHANES 2003–2016. BMC Cardiovascular Disorders 24(1): 544.

Hua, Y.; Stead, T.S.; George, A.; Ganti, L. 2025. Clinical risk prediction with logistic regression: best practices, validation techniques, and applications in medical research. Academic Medicine & Surgery.

Huang, Q.; Jiang, Z.; Shi, B.; Meng, J.; Shu, L.; Hu, F.; Mi, J. 2025. Characterisation of cardiovascular disease incidence and machine learning risk prediction in middle-aged and elderly populations: data from the China Health and Retirement Longitudinal Study. BMC Public Health 25(1): 518.

Islam, H.; Iqbal, M.S.; Hossain, M.M. 2025. Blood pressure abnormality detection and interpretation utilizing explainable artificial intelligence. Intelligent Medicine 5(1): 54-65.

Knox, S.W. 2026. Machine Learning: A Concise Introduction. John Wiley & Sons, Hoboken, NJ, USA.

Martínez-García et al., 2025 [Referência completa não encontrada no documento original]

Mroz, T.; Griffin, M.; Cartabuke, R.; Laffin, L.; Russo-Alvarez, G.; Thomas, G.; Habboub, G. 2024. Predicting hypertension control using machine learning. PLOS ONE 19(3): e0299932.

Pandey, S.; Pandey, A.; Neupane, A.; Subedi, D.; Guragain, A. 2025. Development of a hypertension risk prediction model using nationally representative survey data: a machine learning approach and web application deployment. medRxiv. Disponível em: https://www.medrxiv.org/content/10.1101/2025.08.30.25334758v1. Acesso em: 08 set. 2025.

Qi, X.; Wang, S.; Fang, C.; Jia, J.; Lin, L.; Yuan, T. 2025. Machine learning and SHAP value interpretation for predicting comorbidity of cardiovascular disease and cancer with dietary antioxidants. Redox Biology 79: 103470.

Springer, 2024 [Referência completa não encontrada no documento original]

Zhao, L.; Zheng, L.; Wang, R.; Gong, X.; Wu, Y.; Han, S.; Xue, M. 2025. Association between triglyceride glucose combined with body mass index and hypertension in the NHANES 2017 to 2020. Scientific Reports 15(1): 9092.

Zhuo, H.; Li, T.; Lu, W.; Zhang, Q.; Ji, L.; Li, J. 2025. Prediction model for spontaneous combustion temperature of coal based on PSO-XGBoost algorithm. Scientific Reports 15(1): 2752.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy