RESUMO
Objective: the investigation of physical, lifestyle and socioeconomic features that may be associated with the occurrence of prostate cancer in Brazil. Methods: a microdata base referring to the 2019 National Health Survey in Brazil was used, with the selection of 42,799 male individuals; this group was analyzed using statistical methods and machine learning modeling (logistic regression and decision tree). Results: the models applied allowed us to identify with a good level of accuracy individuals with prostate cancer diagnosis (DCP), in addition to groups with specific features more strongly associated with such a disease. Conclusion: the models indicate a significant influence of socioeconomic, physical and dietary factors on the frequency of DCP in the analyzed group. The high level of accuracy and sensitivity of the models demonstrates the potential of machine learning methods for predicting DCP.
Objetivo: investigar características físicas, de estilo de vida y socioeconómicas que pueden estar asociadas con la aparición de cáncer de próstata en Brasil. Métodos: se utilizó una base de microdatos referente a la Encuesta Nacional de Salud de 2019, con la selección de 42.799 individuos del sexo masculino; este grupo fue analizado mediante métodos estadísticos y modelado de machine learning (regresión logística y árbol de decisión). Resultados: los modelos aplicados permitieron identificar con buen nivel de exactitud a los individuos con diagnóstico de cáncer de próstata (DCP), además de grupos con características específicas más fuertemente asociadas a esta enfermedad. Conclusión: los modelos indican influencia significativa de factores socioeconómicos, físicos y dietéticos sobre la frecuencia de DCP en el grupo analizado. El alto nivel de exactitud y sensibilidad de los modelos demuestra el potencial de los métodos de machine learning para predecir la DCP.
Objetivo: investigar características físicas, de hábitos de vida e socioeconômicas que podem estar associadas à ocorrência de câncer de próstata no Brasil. Métodos: uma base de microdados referente à Pesquisa Nacional de Saúde 2019 foi utilizada, com a seleção de 42.799 indivíduos do sexo masculino; este grupo foi analisado por meio de métodos estatísticos e modelagem por machine learning (regressão logística e árvore de decisão). Resultados: os modelos aplicados permitiram identificar com bom nível de acurácia os indivíduos que receberam o diagnóstico de câncer de próstata (DCP), além de grupos com características específicas mais fortemente associados a esta doença. Conclusão: os modelos indicam uma influência significativa de fatores socioeconômicos, físicos e alimentares na frequência de DCP no grupo analisado. O alto nível de acurácia e sensibilidade dos modelos demonstra o potencial dos métodos de machine learning para a previsão de DCP.
