Banca de DEFESA: RAYONARA MEDEIROS DE AZEVEDO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : RAYONARA MEDEIROS DE AZEVEDO
DATA : 29/05/2026
HORA: 14:00
LOCAL: Departamento de Enfermagem
TÍTULO:

PREDIÇÃO DE ALTERAÇÕES CITOPATOLÓGICAS CERVICAIS POR INTELIGÊNCIA ARTIFICIAL NA ATENÇÃO PRIMÁRIA À SAÚDE

 

PALAVRAS-CHAVES:

Enfermagem; Neoplasias do colo do útero; Aprendizado de máquina; Inteligência artificial; Rastreamento; Atenção Primária à Saúde.

 

PÁGINAS: 137
RESUMO:

O câncer do colo do útero permanece como um relevante desafio de saúde pública no Brasil,
sobretudo pela baixa efetividade do rastreamento citopatológico oportunístico e pelas
desigualdades regionais de acesso. A transição para o teste molecular de DNA-HPV como

estratégia primária, aliada à incorporação de tecnologias de Inteligência Artificial, configura-
se como estratégia promissora para qualificar a detecção precoce e a estratificação de risco.

Dessa forma, este estudo tem como objetivo desenvolver um modelo de aprendizado de
máquina para predição de alterações citopatológicas cervicais a partir de dados
sociodemográficos, clínicos e reprodutivos. Trata-se de um estudo transversal, de predição
diagnóstica, com abordagem quantitativa, conduzido em unidades da atenção primária à saúde,
em quatro municípios do estado do Rio Grande do Norte, com coletas realizadas entre junho e
dezembro de 2025. A amostra compreendeu 483 mulheres de 25 a 64 anos, submetidas à
entrevista estruturada e exame citopatológico padronizado. Realizaram-se análises descritivas,
bivariada (qui-quadrado/Fisher) e regressão logística multivariada. Para a modelagem preditiva,
os dados foram particionados em treino (70%) e teste (30%) com estratificação. A seleção de
atributos empregou o algoritmo Boruta, e foram treinados e comparados cinco classificadores,
Random Forest, XGBoost, LightGBM, CatBoost e TabPFN, com otimização bayesiana de
hiperparâmetros via Optuna e validação cruzada estratificada (k=5). A interpretabilidade do
modelo selecionado foi avaliada pelo método SHAP. O estudo foi aprovado pelo Comitê de
Ética em Pesquisa sob o parecer de no 7.296.33. Das 483 amostras avaliadas, 99,17% foram
satisfatórias, com prevalência global de atipias celulares em 14,91% (n=72) das amostras e
predomínio de ASC-US em 9,52%. Configuraram-se como preditores independentes para as
alterações citopatológicas: tratamento de infecção vaginal nos últimos seis meses (RPaj=2,39;
IC95% 1,31–4,33; p=0,005), paridade (RPaj=3,20; p=0,032), ausência de tratamento prévio
para HPV (RPaj=2,67; p=0,047), tabagismo ativo (RPaj=2,67; p=0,017) e idade até 42 anos
(RPaj=1,92; p=0,019). O Boruta confirmou cinco preditoras (tabagismo, tratamento de infecção
vaginal recente, renda até um salário-mínimo, paridade e parto vaginal). Os cinco modelos
apresentaram acurácia em torno de 0,841, com TabPFN alcançando 0,848. O CatBoost obteve
a maior capacidade discriminativa (AUC-ROC=0,634), seguido por Random Forest (0,618) e
XGBoost (0,617). A análise SHAP do CatBoost evidenciou maior contribuição preditiva do
tratamento de infecção vaginal recente (≈0,180), renda mediana (≈0,140) e tabagismo ativo
(≈0,105), corroborando parcialmente a seleção do Boruta. O modelo desenvolvido apresentou

desempenho discriminativo moderado. A convergência entre os preditores identificados pela
regressão logística, pelo Boruta e pelo SHAP reforça a consistência epidemiológica dos achados
e sinaliza o potencial dos modelos de aprendizado de máquina como ferramenta complementar
de estratificação de risco na citologia reflexa, demandando ampliação amostral e incorporação
de variáveis adicionais para refinamento futuro.

 

MEMBROS DA BANCA:
Presidente - 1054749 - MARIA ISABEL DA CONCEICAO DIAS FERNANDES
Interna - 3149773 - DANDARA NAYARA AZEVEDO DANTAS
Externo ao Programa - 3050428 - DIEGO BONFADA - UFRNExterna ao Programa - 3995493 - MARCELLY SANTOS COSSI - UFRNExterna à Instituição - DANYELLE LEONETTE ARAUJO DOS SANTOS
Externo à Instituição - MARQUIONY MARQUES DOS SANTOS - UERN