Explainable Machine Learning Framework for Predicting Cardiometabolic Risk Using Meal Timing and Eating Habits

Resumo Técnico: Estrutura de Aprendizado de Máquina Explicável para Predição de Risco Cardiometabólico Utilizando o Tempo de Alimentação e Hábitos Alimentares

Declaração do Problema
As estratégias tradicionais de avaliação de risco cardiometabólico baseiam-se predominantemente em indicadores antropométricos e clínicos estáticos (ex: IMC, pressão arterial) e no conteúdo dietético, frequentemente negligenciando a dimensão temporal do comportamento alimentar. Embora pesquisas emergentes em crononutrição sugiram que o tempo das refeições e a regularidade influenciam significativamente a saúde metabólica — especificamente através do alinhamento do ritmo circadiano — esses fatores raramente são integrados em modelos preditivos. Além disso, as técnicas estatísticas existentes muitas vezes falham em capturar as relações complexas e não lineares entre padrões comportamentais e desfechos metabólicos. Adicionalmente, a natureza de "caixa-preta" dos modelos avançados de aprendizado de máquina (ML) limita sua utilidade clínica, uma vez que os profissionais de saúde necessitam de insights interpretáveis para orientar intervenções.

Metodologia
Este estudo transversal analisou dados de 300 adultos, integrando dados demográficos, antropométricos (IMC, Relação Cintura-Quadril), clínicos (pressão arterial) e crononutricionais (tempo das refeições, frequência, regularidade e consciência comportamental).

• Pré-processamento de Dados e Engenharia de Atributos: Os dados brutos foram limpos, com valores ausentes imputados por média ou moda. Variáveis categóricas foram codificadas e variáveis ordinais foram numericamente ordenadas. Novos atributos foram criados para quantificar a variabilidade comportamental, incluindo um Escore de Desalinhamento Circadiano, um Índice de Variabilidade do Tempo de Refeição e um Índice de Qualidade da Dieta. Os preditores contínuos passaram por normalização Z-score e transformação logarítmica para distribuições assimétricas.
• Desenvolvimento de Modelos: Três algoritmos de aprendizado supervisionado foram desenvolvidos e comparados: Regressão Logística (RL), Random Forest (RF) e Extreme Gradient Boosting (XGBoost).
  • RL: Testada com regularização L1, L2 e elastic-net (C ótimo = 1,0).
  • RF: Configurada com 500 árvores, profundidade máxima de 20 e critérios de divisão específicos para equilibrar viés/variância.
  • XGBoost: Ajustada via busca em grade (grid search) com uma taxa de aprendizado de 0,05, profundidade máxima de 6, razão de subamostragem de 0,8 e parâmetros de regularização $\alpha=0,1, \lambda=1$.
• Validação e Interpretabilidade: Os modelos foram avaliados usando validação cruzada estratificada aninhada de 10 dobras (10-fold). As métricas de desempenho incluíram AUC-ROC, acurácia, precisão, recall, F1-score e escore de Brier para calibração. Para garantir a interpretabilidade, as Explicações de Shapley Aditivas (SHAP) foram aplicadas ao melhor modelo para quantificar as contribuições dos atributos e identificar drivers comportamentais acionáveis.

Resultados Principais

• Desempenho do Modelo: O modelo XGBoost demonstrou desempenho superior, atingindo um AUC-ROC de 0,98, 93% de acurácia, 92% de precisão, 91% de recall e um F1-score de 0,92. Também exibiu a melhor calibração com um escore de Brier de 0,03. O Random Forest seguiu com um AUC de 0,94 e 89% de acurácia, enquanto a Regressão Logística alcançou um AUC de 0,92 e 87% de acurácia.
• Preditores de Risco:
  • Fisiológicos: A Relação Cintura-Quadril (RCQ) e o IMC permaneceram como os preditores fisiológicos mais significativos (ORs de 4,39 e 2,74, respectivamente).
  • Comportamentais/Crononutricionais: A análise SHAP identificou o horário tardio do jantar (OR = 2,5), o tempo de refeição irregular (OR = 1,6) e a redução da adesão à frequência de refeições recomendada (OR = 1,8) como os principais preditores independentes de risco cardiometabólico.
  • Fatores Protetores: O aumento da frequência das refeições e a maior consciência sobre a importância do tempo das refeições foram associados à redução do risco.
• Interações: O estudo encontrou um efeito cumulativo onde indivíduos com RCQ ou IMC mais elevados foram mais negativamente impactados por padrões de refeição irregulares e alimentação tardia, sugerindo que o desalinhamento circadiano exacerba a vulnerabilidade metabólica.

Principais Contribuições

1. Integração da Crononutrição: O estudo incorpora com sucesso o tempo das refeições e a regularidade em uma estrutura de ML preditiva, demonstrando que esses fatores temporais fornecem valor preditivo significativo além das medidas antropométricas tradicionais.
2. Estrutura de IA Explicável: Ao combinar aprendizado de conjunto de alto desempenho (XGBoost) com SHAP, o estudo preenche a lacuna entre precisão preditiva e interpretabilidade clínica. Ele traduz saídas de modelos complexos em alvos comportamentais específicos e modificáveis (ex: evitar jantares tardios, manter a regularidade).
3. Identificação da Consciência como um Fator: A pesquisa destaca a "consciência do tempo das refeições" como um fator comportamental distinto e protetor, independente do tamanho corporal ou qualidade dos alimentos, sugerindo um componente cognitivo na regulação metabólica.

Significância e Alegações
O artigo afirma que a integração do tempo das refeições e da regularidade comportamental em modelos de aprendizado de máquina explicáveis melhora significativamente a precisão da predição de risco cardiometabólico. Os autores sustentam que a estrutura XGBoost-SHAP não apenas oferece alto desempenho preditivo, mas também elucida as interações entre a composição corporal e os ritmos de alimentação circadianos.

Crucialmente, o estudo postula que a consciência do tempo das refeições é um alvo de baixo custo, escalável e modificável para intervenções de saúde pública. Os achados sugerem que sincronizar o consumo de alimentos com os ciclos fisiológicos naturais do corpo — especificamente evitando jantares tardios e mantendo esquemas irregulares — pode servir como uma estratégia eficaz para a prevenção a longo prazo de doenças cardiometabólicas, mesmo em indivíduos com IMC normal. Os autores enfatizam que essas intervenções comportamentais podem mitigar impactos metabólicos em estilos de vida modernos e erráticos sem necessariamente exigir restrições dietéticas severas.

Nota: Como este é um preprint, os autores declaram explicitamente que a pesquisa não foi certificada por revisão por pares e não deve ser usada para orientar a prática clínica.