Serviços   O conteúdo desse portal pode ser acessível em Libras usando o VLibras

Qualidade dos dados: estudo analisa método de limpeza de grandes bases de dados populacionais

Escrito por Larissa Costa  em 23 de fevereiro de 2024

O trabalho de pesquisa a partir de grandes bases de dados populacionais permite o entendimento de questões que atingem toda uma população, mas possui seus desafios. A qualidade dos dados disponíveis pode ser prejudicada por diversos fatores, que incluem desde a falta de coleta de uma dada informação, até o registro equivocado.  

Pensando nisso, um novo estudo elaborado por uma equipe de pesquisa do Centro de Integração de Dados e Conhecimento para Saúde (Cidacs/Fiocruz Bahia) investiga o potencial de uso de um método de detecção de valores biologicamente implausíveis na base de dados do Sistema de Vigilância Alimentar e Nutricional (Sisvan). 

No estudo, os valores biologicamente implausíveis foram classificados como outliers populacionais e outliers longitudinais. Os outliers são compreendidos como valores discrepantes, ou atípicos. No caso dos dados selecionados para o estudo, que são medidas atribuídas a crianças de 0 a 5 anos, valores comprimento/altura ou peso que se destoam muito dos demais foram colocados nesta classificação. A pesquisa buscou entender o impacto da retirada de outliers longitudinais (LO) – discrepância considerando os valores específicos de um indivíduo – e outliers populacionais (PO) – discrepância dos valores considerando a base como um todo – do conjunto pesquisado. 

Segundo o artigo, a pesquisa não encontrou nenhuma referência de estudo que tenha realizado este processo de retirada dos outliers longitudinais de uma grande base de dados. Para poder realizar esse procedimento, primeiro, foi feita a extração de 55.264.792 registros – que correspondem a mais de 15 milhões de crianças. Esses dados foram categorizados de acordo com o gênero declarado da criança e, posteriormente, segundo a medida que este valor correspondia – se era uma medida de peso, ou comprimento/altura.  

O desafio seguinte foi estabelecer parâmetros para marcar os valores discrepantes dentro da base. Juliana Freitas, pesquisadora associada ao Cidacs/Fiocruz Bahia, explica que a equipe usou como critério a classificação da Organização Mundial de Saúde (OMS) para valores biologicamente implausíveis. Os pontos da trajetória longitudinal da criança – a trajetória pessoal de crescimento – também foram considerados para detectar valores atípicos.  

A aplicação de um modelo de efeitos mistos com spline cúbica permitiu às pessoas pesquisadoras definir uma curva de trajetória de crescimento estimado para cada criança. Em seguida, foi realizada a comparação entre os valores estimados e os observados da trajetória longitudinal, a fim de assinalar os LOs dentro do banco de dados. Entre meninos, a porcentagem de LOs variou de 0,02% a 1,47% nos registros de altura, e 0,07% a 1,50% nos registros de peso. Para as meninas, a variação foi de 0,01% e 1,50% para altura, e 0,08% e 1,45% para peso.  

De acordo com o estudo, esse processo de limpeza da base permite acomodar o processo não linear que pode marcar o crescimento de uma criança, assim como a variabilidade das medidas antropométricas. “No geral, após aplicar o processo de limpeza, a base de dados do  Sisvan é válida para ser utilizada para análises”, complementa Juliana Freitas. 

“Outro ponto que avaliamos foi o que nós chamamos de ‘altura decrescente’. Temos várias medidas da mesma criança ao longo do tempo. Pode ser que a medida de hoje aponte que ela tem um metro e, daqui a dois meses, a medida seja de 99 centímetros. Isso não é plausível, mas na base de dados temos isso. Então, avaliamos o que acontece quando se retira esses valores”, continua a cientista. 

O resultado desse teste mostrou que a remoção desses valores influenciou o crescimento infantil compreendido pela medida de escore-z (desvio-padrão) de altura por idade. Como exemplo, essa retirada impacta a avaliação do índice de baixa estatura para a idade (na literatura chama-se stunting, e geralmente ocorre em casos de desnutrição crônica), que decresceu de 4,32% para 3,39% entre meninos, e de 3,53% para 2,62% para meninas. 

Os POs sinalizados no banco de dados atingiram 5,74% para altura e 5,19% para peso entre meninos, e 5,31% e 4,74% para altura e peso entre meninas. A equipe ressalta que a presença desse número de outliers sugere um alto percentual de valores biologicamente implausíveis, de acordo com a recomendação dos sistemas de informação em saúde (SIS) da OMS. No entanto, após aplicado o processo de limpeza, a base pode ser utilizada para análises.  

 

Divulgação científica 

No Festival de Divulgação Científica do Cidacs, o Science Slam, a pesquisadora Juliana Freitas elaborou uma peça de divulgação sobre o assunto pesquisado no artigo. Você pode acessar esse material no canal de Youtube do Cidacs  

Pesquisador(es): Juliana Freitas de Mello e Silva, Natanael de Jesus, Thaís Rangel Bousquet Carrilho, Elizabete de Jesus Pinto, Aline dos Santos Rocha, Jéssica Pedroso, Sara Araújo da Silva, Ana Maria Spaniol, Rafaella da Costa Santin de Andrade, Gisele Ane Bortolini, Enny Paixão, Gilberto Kac, Rita de Cássia Ribeiro Silva, Mauricio Barreto.

DOI: doi.org/10.1186/s12874-024-02161-1

[mc4wp_form id="2531"]
Acessar o conteúdo