Este estudo teve como objetivo analisar a prevalência de limitação na mobilidade funcional autorreferida e os fatores associados no período entre os anos 2000 e 2015, em idosos residentes no Município de São Paulo, Brasil. Para as presentes análises foram utilizados os dados das quatro ondas (2000, 2006, 2010 e 2015) do Estudo Saúde, Bem Estar e Envelhecimento (SABE). Foram conduzidos modelos de regressão para analisar as características demográficas, socioeconômicas, comportamentais e relativas à saúde dos indivíduos associadas à limitação da mobilidade em cada onda do estudo, e análise multinível para a comparação entre as quatro ondas. Os resultados indicaram aumento nas prevalências de limitações na mobilidade autorreferida, mais evidente no ano de 2006. Foi observado, ainda, associação com condições crônicas de saúde, como a história de AVC (RP = 1,43; IC95%: 1,29; 1,58, em 2000), a presença de doenças osteoarticulares (RP = 1,35; IC95%: 1,23; 1,49, em 2015), e a queixa de “dor nas costas” (RP = 1,33; IC95%: 1,22; 1,45, em 2006), bem como com aspectos socioeconômicos, como a renda insuficiente (RP = 1,17; IC95%: 1,07; 1,28, em 2010). Em um contexto de envelhecimento populacional acelerado, esses resultados trazem informações relevantes para a promoção de políticas públicas voltadas à prevenção de declínio da mobilidade em pessoas idosas.

The study aimed to analyze the prevalence of self-reported limitation of functional mobility and associated factors from 2000 to 2015 in elderly residing in the city of São Paulo, Brazil. The analyses used data from the four waves (2000, 2006, 2010, and 2015) in the Health, Well-Being, and Aging Study (SABE). Regression models were conducted to analyze the demographic, socioeconomic, behavioral, and health-related characteristics of individuals associated with limitations of mobility in each wave of the study, and multilevel analysis was performed for comparison between the four waves. The results showed an increase in the prevalence of self-reported limitations in mobility, most evident in the year 2006. There was also an association between chronic health conditions such as history of stroke (PR = 1.43; 95%CI: 1.29; 1.58, in 2000), presence of osteoarticular diseases (PR = 1.35; 95%CI: 1.23; 1.49, in 2015), and complaint of “backache” (PR = 1.33; 95%CI: 1.22; 1.45, in 2006), as well as with socioeconomic aspects such as insufficient income (PR = 1.17; 95%CI: 1.07; 1.28, in 2010). In a context of rapid population aging, these results provide relevant information for promoting public policies to prevent the decline in mobility in the elderly.

Este estudio tuvo como objetivo analizar la prevalencia de limitación en la movilidad funcional autoinformada y sus factores asociados durante el período entre los años 2000 y 2015, en ancianos residentes en el Municipio de São Paulo, Brasil. Para los análisis actuales se utilizaron los datos de cuatro oleadas (2000, 2006, 2010 y 2015) del Estudio Salud, Bienestar y Envejecimiento (SABE). Se aplicaron modelos de regresión para analizar las características demográficas, socioeconómicas, comportamentales y relativas a la salud de los individuos, asociadas a la limitación de la movilidad en cada oleada del estudio, y un análisis multinivel para la comparación entre las 4 oleadas. Los resultados indicaron un aumento en las prevalencias de limitaciones respecto a la movilidad autoinformada, pero fue evidente en el año 2006. Se observó, incluso, una asociación con las condiciones crónicas de salud, como un historial de ACV (RP = 1,43; IC95%: 1,29; 1,58, en 2000), la presencia de enfermedades osteoarticulares (RP = 1,35; IC95%: 1,23; 1,49, en 2015), y la queja de “dolor de espalda” (RP = 1,33; IC95%: 1,22; 1,45, en 2006), así como con aspectos socioeconómicos, como la renta insuficiente (RP = 1,17; IC95%: 1,07; 1,28, en 2010). En un contexto de envejecimiento poblacional acelerado, esos resultados presentan información relevante para la promoción de políticas públicas dirigidas a la prevención del declive de la movilidad en personas ancianas.

Este estudo teve como objetivo analisar a prevalência de limitação na mobilidade funcional autorreferida e os fatores associados no período entre os anos 2000 e 2015, em idosos residentes no Município de São Paulo, Brasil. Para as presentes análises foram utilizados os dados das quatro ondas (2000, 2006, 2010 e 2015) do Estudo Saúde, Bem Estar e Envelhecimento (SABE). Foram conduzidos modelos de regressão para analisar as características demográficas, socioeconômicas, comportamentais e relativas à saúde dos indivíduos associadas à limitação da mobilidade em cada onda do estudo, e análise multinível para a comparação entre as quatro ondas. Os resultados indicaram aumento nas prevalências de limitações na mobilidade autorreferida, mais evidente no ano de 2006. Foi observado, ainda, associação com condições crônicas de saúde, como a história de AVC (RP = 1,43; IC95%: 1,29; 1,58, em 2000), a presença de doenças osteoarticulares (RP = 1,35; IC95%: 1,23; 1,49, em 2015), e a queixa de “dor nas costas” (RP = 1,33; IC95%: 1,22; 1,45, em 2006), bem como com aspectos socioeconômicos, como a renda insuficiente (RP = 1,17; IC95%: 1,07; 1,28, em 2010). Em um contexto de envelhecimento populacional acelerado, esses resultados trazem informações relevantes para a promoção de políticas públicas voltadas à prevenção de declínio da mobilidade em pessoas idosas.

The study aimed to analyze the prevalence of self-reported limitation of functional mobility and associated factors from 2000 to 2015 in elderly residing in the city of São Paulo, Brazil. The analyses used data from the four waves (2000, 2006, 2010, and 2015) in the Health, Well-Being, and Aging Study (SABE). Regression models were conducted to analyze the demographic, socioeconomic, behavioral, and health-related characteristics of individuals associated with limitations of mobility in each wave of the study, and multilevel analysis was performed for comparison between the four waves. The results showed an increase in the prevalence of self-reported limitations in mobility, most evident in the year 2006. There was also an association between chronic health conditions such as history of stroke (PR = 1.43; 95%CI: 1.29; 1.58, in 2000), presence of osteoarticular diseases (PR = 1.35; 95%CI: 1.23; 1.49, in 2015), and complaint of “backache” (PR = 1.33; 95%CI: 1.22; 1.45, in 2006), as well as with socioeconomic aspects such as insufficient income (PR = 1.17; 95%CI: 1.07; 1.28, in 2010). In a context of rapid population aging, these results provide relevant information for promoting public policies to prevent the decline in mobility in the elderly.

Este estudio tuvo como objetivo analizar la prevalencia de limitación en la movilidad funcional autoinformada y sus factores asociados durante el período entre los años 2000 y 2015, en ancianos residentes en el Municipio de São Paulo, Brasil. Para los análisis actuales se utilizaron los datos de cuatro oleadas (2000, 2006, 2010 y 2015) del Estudio Salud, Bienestar y Envejecimiento (SABE). Se aplicaron modelos de regresión para analizar las características demográficas, socioeconómicas, comportamentales y relativas a la salud de los individuos, asociadas a la limitación de la movilidad en cada oleada del estudio, y un análisis multinivel para la comparación entre las 4 oleadas. Los resultados indicaron un aumento en las prevalencias de limitaciones respecto a la movilidad autoinformada, pero fue evidente en el año 2006. Se observó, incluso, una asociación con las condiciones crónicas de salud, como un historial de ACV (RP = 1,43; IC95%: 1,29; 1,58, en 2000), la presencia de enfermedades osteoarticulares (RP = 1,35; IC95%: 1,23; 1,49, en 2015), y la queja de “dolor de espalda” (RP = 1,33; IC95%: 1,22; 1,45, en 2006), así como con aspectos socioeconómicos, como la renta insuficiente (RP = 1,17; IC95%: 1,07; 1,28, en 2010). En un contexto de envejecimiento poblacional acelerado, esos resultados presentan información relevante para la promoción de políticas públicas dirigidas a la prevención del declive de la movilidad en personas ancianas.

Este estudo objetiva apresentar as etapas relacionadas à utilização de algoritmos de machine learning para análises preditivas em saúde. Para isso, foi realizada uma aplicação com base em dados de idosos residentes no Município de São Paulo, Brasil, participantes do estudo Saúde Bem-estar e Envelhecimento (SABE) (n = 2.808). A variável resposta foi representada pela ocorrência de óbito em até cinco anos após o ingresso do idoso no estudo (n = 423), e os preditores, por 37 variáveis relacionadas ao perfil demográfico, socioeconômico e de saúde do idoso. A aplicação foi organizada de acordo com as seguintes etapas: divisão dos dados em treinamento (70%) e teste (30%), pré-processamento dos preditores, aprendizado e avaliação de modelos. Na etapa de aprendizado, foram utilizados cinco algoritmos para o ajuste de modelos: regressão logística com e sem penalização, redes neurais, gradient boosted trees e random forest. Os hiperparâmetros dos algoritmos foram otimizados por validação cruzada 10-fold, para selecionar aqueles correspondentes aos melhores modelos. Para cada algoritmo, o melhor modelo foi avaliado em dados de teste por meio da área abaixo da curva (AUC) ROC e medidas relacionadas. Todos os modelos apresentaram AUC ROC superior a 0,70. Para os três modelos com maior AUC ROC (redes neurais e regressão logística com penalização de lasso e sem penalização, respectivamente), foram também avaliadas medidas de qualidade da probabilidade predita. Espera-se que, com o aumento da disponibilidade de dados e de capital humano capacitado, seja possível desenvolver modelos preditivos de machine learning com potencial para auxiliar profissionais de saúde na tomada de melhores decisões.

This study aims to present the stages related to the use of machine learning algorithms for predictive analyses in health. An application was performed in a database of elderly residents in the city of São Paulo, Brazil, who participated in the Health, Well-Being, and Aging Study (SABE) (n = 2,808). The outcome variable was the occurrence of death within five years of the elder’s entry into the study (n = 423), and the predictors were 37 variables related to the elder’s demographic, socioeconomic, and health profile. The application was organized according to the following stages: division of data in training (70%) and testing (30%), pre-processing of the predictors, learning, and assessment of the models. The learning stage used 5 algorithms to adjust the models: logistic regression with and without penalization, neural networks, gradient boosted trees, and random forest. The algorithms’ hyperparameters were optimized by 10-fold cross-validation to select those corresponding to the best models. For each algorithm, the best model was assessed in test data via area under the ROC curve (AUC) and related measures. All the models presented AUC ROC greater than 0.70. For the three models with the highest AUC ROC (neural networks and logistic regression with LASSO penalization and without penalization, respectively), quality measures of the predicted probability were also assessed. The expectation is that with the increased availability of data and trained human capital, it will be possible to develop predictive machine learning models with the potential to help health professionals make the best decisions.

El objetivo de este estudio fue presentar las etapas relacionadas con la utilización de algoritmos de machine learning para análisis predictivos en salud. Para tal fin, se realizó una aplicación en base a datos de ancianos residentes en el Municipio de São Paulo, Brasil, participantes en el estudio Salud Bienestar y Envejecimiento (SABE) (n = 2.808). La variable respuesta se representó mediante la ocurrencia de óbito en hasta 5 años tras la inclusión del anciano en el estudio (n = 423), y los predictores fueron representados por 37 variables relacionadas con el perfil demográfico, socioeconómico y de salud del anciano. El aplicación se organizó según las siguientes etapas: división de los datos en formación (70%) y test (30%), pre-procesamiento de los predictores, aprendizaje y evaluación de modelos. En la etapa de aprendizaje, se utilizaron cinco algoritmos para el ajuste de modelos: regresión logística con y sin penalización, redes neuronales, gradient boosted trees y random forest. Los hiperparámetros de los algoritmos se optimizaron mediante una validación cruzada 10-fold, para seleccionar aquellos correspondientes a los mejores modelos. Para cada algoritmo, el mejor modelo se evaluó con datos de la prueba del área debajo de la curva (AUC) ROC y medidas relacionadas. Todos los modelos presentaron AUC ROC superior a 0,70. Para los tres modelos con mayor AUC ROC (redes neuronales y regresión logística con penalización de Lasso y sin penalización, respectivamente) también se evaluaron medidas de calidad de la probabilidad pronosticada. Se espera que, con el aumento de la disponibilidad de datos y de capital humano capacitado, sea posible desarrollar modelos predictivos de machine learning con potencial para ayudar a profesionales de salud en la toma de mejores decisiones.

Este estudo objetiva apresentar as etapas relacionadas à utilização de algoritmos de machine learning para análises preditivas em saúde. Para isso, foi realizada uma aplicação com base em dados de idosos residentes no Município de São Paulo, Brasil, participantes do estudo Saúde Bem-estar e Envelhecimento (SABE) (n = 2.808). A variável resposta foi representada pela ocorrência de óbito em até cinco anos após o ingresso do idoso no estudo (n = 423), e os preditores, por 37 variáveis relacionadas ao perfil demográfico, socioeconômico e de saúde do idoso. A aplicação foi organizada de acordo com as seguintes etapas: divisão dos dados em treinamento (70%) e teste (30%), pré-processamento dos preditores, aprendizado e avaliação de modelos. Na etapa de aprendizado, foram utilizados cinco algoritmos para o ajuste de modelos: regressão logística com e sem penalização, redes neurais, gradient boosted trees e random forest. Os hiperparâmetros dos algoritmos foram otimizados por validação cruzada 10-fold, para selecionar aqueles correspondentes aos melhores modelos. Para cada algoritmo, o melhor modelo foi avaliado em dados de teste por meio da área abaixo da curva (AUC) ROC e medidas relacionadas. Todos os modelos apresentaram AUC ROC superior a 0,70. Para os três modelos com maior AUC ROC (redes neurais e regressão logística com penalização de lasso e sem penalização, respectivamente), foram também avaliadas medidas de qualidade da probabilidade predita. Espera-se que, com o aumento da disponibilidade de dados e de capital humano capacitado, seja possível desenvolver modelos preditivos de machine learning com potencial para auxiliar profissionais de saúde na tomada de melhores decisões.

This study aims to present the stages related to the use of machine learning algorithms for predictive analyses in health. An application was performed in a database of elderly residents in the city of São Paulo, Brazil, who participated in the Health, Well-Being, and Aging Study (SABE) (n = 2,808). The outcome variable was the occurrence of death within five years of the elder’s entry into the study (n = 423), and the predictors were 37 variables related to the elder’s demographic, socioeconomic, and health profile. The application was organized according to the following stages: division of data in training (70%) and testing (30%), pre-processing of the predictors, learning, and assessment of the models. The learning stage used 5 algorithms to adjust the models: logistic regression with and without penalization, neural networks, gradient boosted trees, and random forest. The algorithms’ hyperparameters were optimized by 10-fold cross-validation to select those corresponding to the best models. For each algorithm, the best model was assessed in test data via area under the ROC curve (AUC) and related measures. All the models presented AUC ROC greater than 0.70. For the three models with the highest AUC ROC (neural networks and logistic regression with LASSO penalization and without penalization, respectively), quality measures of the predicted probability were also assessed. The expectation is that with the increased availability of data and trained human capital, it will be possible to develop predictive machine learning models with the potential to help health professionals make the best decisions.

El objetivo de este estudio fue presentar las etapas relacionadas con la utilización de algoritmos de machine learning para análisis predictivos en salud. Para tal fin, se realizó una aplicación en base a datos de ancianos residentes en el Municipio de São Paulo, Brasil, participantes en el estudio Salud Bienestar y Envejecimiento (SABE) (n = 2.808). La variable respuesta se representó mediante la ocurrencia de óbito en hasta 5 años tras la inclusión del anciano en el estudio (n = 423), y los predictores fueron representados por 37 variables relacionadas con el perfil demográfico, socioeconómico y de salud del anciano. El aplicación se organizó según las siguientes etapas: división de los datos en formación (70%) y test (30%), pre-procesamiento de los predictores, aprendizaje y evaluación de modelos. En la etapa de aprendizaje, se utilizaron cinco algoritmos para el ajuste de modelos: regresión logística con y sin penalización, redes neuronales, gradient boosted trees y random forest. Los hiperparámetros de los algoritmos se optimizaron mediante una validación cruzada 10-fold, para seleccionar aquellos correspondientes a los mejores modelos. Para cada algoritmo, el mejor modelo se evaluó con datos de la prueba del área debajo de la curva (AUC) ROC y medidas relacionadas. Todos los modelos presentaron AUC ROC superior a 0,70. Para los tres modelos con mayor AUC ROC (redes neuronales y regresión logística con penalización de Lasso y sin penalización, respectivamente) también se evaluaron medidas de calidad de la probabilidad pronosticada. Se espera que, con el aumento de la disponibilidad de datos y de capital humano capacitado, sea posible desarrollar modelos predictivos de machine learning con potencial para ayudar a profesionales de salud en la toma de mejores decisiones.