Ganho de peso gestacional e seus efeitos sobre crescimento fetal, desfechos neonatais e saúde mental materna: integração de modelos de machine learning e equações de estimação generalizadas em estudos de coorte em Araraquara e Jundiaí

• Ano de defesa: 2025
• Autor(a) principal: Victor, Audêncio
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Cohort Study; Crescimento Fetal; Desfechos Neonatais; Estudo Coorte; Fetal Growth; Ganho de Peso Gestacional; GEE; Gestational Weight Gain; Machine Learning; Mental Health; Neonatal Outcomes; Saúde Mental; SITAR
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/6/6143/tde-27012026-154459/

O ganho de peso gestacional (GPG) exerce impacto relevante na saúde materna e neonatal, mas seu manejo ideal ainda é desafiador. Esta tese originou um total de oito artigos científicos, baseados nas coortes de Araraquara (2017-2024) e Jundiaí (1997-2000), organizados em três eixos: (i) determinantes e consequências do GPG; (ii) trajetórias e função vascular; e (iii) predição de risco com aprendizado de máquina (ML). Nos estudos de determinantes, obesidade pré-gestacional e maior percentual de gordura corporal aumentaram a chance de excesso de GPG, enquanto diabetes gestacional associou-se a GPG insuficiente. As referências Intergrowth-21st capturaram maior proporção de mulheres acima do limite de ganho de peso do que as do IOM, sugerindo uso complementar na prática clínica. Quanto às consequências perinatais, GPG insuficiente elevou o risco de restrição de crescimento intrauterino, prematuridade e baixo peso ao nascer; já o excesso aumentou a chance de recém-nascido grande para a idade gestacional, maior peso ao nascer e pior Apgar em 5 minutos. Esses achados reforçam a importância da vigilância ponderal individualizada. A modelagem de trajetórias longitudinais com SITAR revelou pico de velocidade do GPG entre a 24ª e 28ª semana, sendo que maior velocidade se associou a menor risco de baixo peso e maior risco de macrossomia, oferecendo valor prognóstico adicional ao peso total ganho. No eixo vascular, observou-se declínio de LAEI/SAEI ao longo da gestação, com associação positiva entre GPG cumulativo e SAEI, persistente em gestantes normotensas. Os efeitos sobre LAEI variaram segundo IMC pré-gestacional e adequação do GPG, sugerindo adaptações distintas conforme perfil de risco. A análise da saúde mental mostrou piores escores de sofrimento psicológico, ansiedade e estresse em Araraquara, relacionados a fatores sociais e morbidades gestacionais. Em Jundiaí, estresse/ansiedade associaram-se a GPG insuficiente, apontando influência de contextos temporais e ambientais. Por fim, modelos de ML mostraram aplicabilidade clínica: classificadores (XGBoost/LightGBM) previram categorias de GPG com bom desempenho, enquanto modelos para baixo peso ao nascer atingiram AUROC=0,94, priorizando variáveis clínicas e de acesso ao pré-natal. A tese evidencia que fatores sociodemográficos, biológicos e psicológicos modulam o GPG; desvios do recomendado agravam desfechos perinatais; indicadores de trajetória e vasculares oferecem valor prognóstico; e ML possibilita predição precoce e intervenções personalizadas, apoiando um pré-natal orientado por dados.