Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 Análise Discriminante Linear e Regressão Logística na classificação de desfecho cardiovascular autorreportado: Um estudo com dados do Behavioral Risk Factor Surveillance System (BRFSS) Linear Discriminant Analysis and Logistic Regression in the classification of self-reported cardiovascular outcomes: A study using Behavioral Risk Factor Surveillance System (BRFSS) data Análisis Discriminante Lineal y Regresión Logística en la clasificación de resultados cardiovasculares autoinformados: Un estudio con datos del Behavioral Risk Factor Surveillance System (BRFSS) Recebido: 10/09/2026 | Aceito: 21/09/2026 | Publicado: 22/09/2026 André Rodrigues Monticeli ORCID: https://orcid.org/0000-0003-4049-5581 Centro Federal de Educação Tecnológica de Minas Gerais, Brasil E-mail: andremonticeli@cefetmg.br Miguel Bregalda Ferrari ORCID: https://orcid.org/0009-0001-0781-8310 Centro Federal de Educação Tecnológica de Minas Gerais, Brasil E-mail: miguelferrari123@gmail.com Daniel Melo Nogueira ORCID: https://orcid.org/0009-0009-3736-7774 Centro Federal de Educação Tecnológica de Minas Gerais, Brasil E-mail: danielshalon3@gmail.com Resumo As doenças cardiovasculares constituem um importante problema de saúde pública, especialmente entre indivíduos idosos. Este estudo teve como objetivo comparar o desempenho da Análise Discriminante Linear (LDA) e da Regressão Logística na classificação de doença cardiovascular em uma amostra de indivíduos com 60 anos ou mais, utilizando dados do Behavioral Risk Factor Surveillance System (BRFSS) 2015. Foi selecionada uma amostra aleatória de 5.000 indivíduos, dividida de forma estratificada em conjuntos de treinamento e teste. A adequação da LDA foi avaliada por meio da análise de pressupostos, incluindo transformação de Box-Cox, teste de Shapiro-Wilk e teste M de Box. A Regressão Logística foi avaliada com ponto de corte convencional de 0,50 e com limiar selecionado por validação cruzada e índice de Youden. A LDA e a Regressão Logística apresentaram capacidade discriminatória semelhante, com AUC de 0,783 e 0,787, respectivamente. Entretanto, com cutoff 0,50, a Regressão Logística apresentou sensibilidade de apenas 10,41%. O ponto de corte selecionado pelo índice de Youden de 0,162 elevou a sensibilidade para 72,40% e a especificidade foi de 72,54%, resultando em acurácia balanceada de 72,47%. Entre os fatores associados ao desfecho destacaram-se pior saúde autopercebida, idade elevada, histórico de acidente vascular cerebral, sexo masculino, colesterol elevado, tabagismo e hipertensão. Os resultados evidenciam a importância de avaliar classificadores além da acurácia global, especialmente em bases com distribuição desigual entre as classes. Palavras-chave: Doenças Cardiovasculares; Análise Discriminante Linear; Regressão Logística; Curva ROC. Abstract Cardiovascular diseases represent a major public health problem, particularly among older adults. This study aimed to compare the performance of Linear Discriminant Analysis (LDA) and Logistic Regression in classifying cardiovascular disease in a sample of individuals aged 60 years or older, using data from the 2015 Behavioral Risk Factor Surveillance System (BRFSS). A random sample of 5,000 individuals was selected and stratified into training and test sets. The suitability of LDA was assessed through assumption diagnostics, including Box-Cox transformation, the Shapiro-Wilk test, and Box’s M test. Logistic Regression was evaluated using both the conventional 0.50 cutoff and a threshold selected through cross-validation and the Youden index. LDA and Logistic Regression showed similar discriminatory ability, with AUC values of 0.783 and 0.787, respectively. However, with the 0.50 cutoff, Logistic Regression achieved a sensitivity of only 10.41%. The optimized cutoff of 0.162 increased sensitivity to 72.40%, with 1 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 a specificity of 72.54% and a balanced accuracy of 72.47%. Factors associated with the outcome included poorer selfrated health, older age, history of stroke, male sex, high cholesterol, smoking, and hypertension. The findings highlight the importance of evaluating classification models beyond overall accuracy, particularly when class distributions are imbalanced. Keywords: Cardiovascular Diseases; Linear Discriminant Analysis; Logistic Regression; ROC Curve. Resumen Las enfermedades cardiovasculares constituyen un importante problema de salud pública, especialmente entre las personas mayores. Este estudio tuvo como objetivo comparar el desempeño del Análisis Discriminante Lineal (LDA) y de la Regresión Logística en la clasificación de enfermedades cardiovasculares en una muestra de personas de 60 años o más, utilizando datos del Behavioral Risk Factor Surveillance System (BRFSS) de 2015. Se seleccionó una muestra aleatoria de 5.000 individuos, dividida de forma estratificada en conjuntos de entrenamiento y prueba. La adecuación del LDA se evaluó mediante el análisis de sus supuestos, incluyendo la transformación de Box-Cox, la prueba de Shapiro-Wilk y la prueba M de Box. La Regresión Logística fue evaluada con el punto de corte convencional de 0,50 y con un umbral seleccionado mediante validación cruzada e índice de Youden. El LDA y la Regresión Logística presentaron una capacidad discriminatoria similar, con valores de AUC de 0,783 y 0,787, respectivamente. Sin embargo, con un punto de corte de 0,50, la Regresión Logística presentó una sensibilidad de solo 10,41%. El punto de corte optimizado de 0,162 elevó la sensibilidad al 72,40%, con una especificidad del 72,54% y una exactitud balanceada del 72,47%. Entre los factores asociados al desenlace se destacaron peor salud autopercibida, mayor edad, antecedente de accidente cerebrovascular, sexo masculino, colesterol elevado, tabaquismo e hipertensión. Los resultados evidencian la importancia de evaluar los clasificadores más allá de la exactitud global, especialmente en bases con distribución desigual entre las clases. Palabras clave: Enfermedades Cardiovasculares; Análisis Discriminante Lineal; Regresión Logística; Curva ROC. 1. Introdução As Doenças Cardiovasculares (DCV) constituem um dos principais problemas de saúde pública em escala mundial, estando entre as principais causas de mortalidade e incapacidade (World Health Organization, 2025). A identificação de indivíduos com maior probabilidade de apresentar essas condições é relevante para o planejamento de ações de prevenção, monitoramento e cuidado em saúde. Nesse contexto, a utilização de métodos estatísticos e computacionais para analisar fatores associados às doenças cardiovasculares tem ampliado as possibilidades de investigação de grandes bases de dados epidemiológicos. O desenvolvimento de recursos de ciência de dados aplicados à saúde tem favorecido o uso de informações provenientes de inquéritos populacionais de larga escala. Entre essas bases, destaca-se o Behavioral Risk Factor Surveillance System (BRFSS), conduzido pelos Centers for Disease Control and Prevention (CDC), que reúne informações autorreportadas sobre condições de saúde, comportamentos relacionados à saúde e características sociodemográficas da população norteamericana (Centers for Disease Control and Prevention [CDC], 2016; Pierannunzi et al., 2013). A disponibilidade de um conjunto amplo de variáveis torna essa base relevante para estudos de classificação e investigação de fatores associados às doenças cardiovasculares. Entretanto, a utilização de dados epidemiológicos apresenta desafios importantes para a modelagem estatística. Variáveis relacionadas à saúde autorreportada, como o número de dias de saúde física ou mental considerada ruim, podem apresentar assimetria, concentração elevada de observações em determinados valores e natureza discreta. Essas características podem dificultar a aplicação de técnicas estatísticas que dependem de pressupostos específicos sobre a distribuição dos dados. Assim, a avaliação desses pressupostos constitui uma etapa importante na seleção e interpretação de modelos de classificação (James et al., 2021). Entre as técnicas estatísticas tradicionalmente utilizadas para classificação encontra-se a Análise Discriminante Linear (LDA). O método busca estabelecer uma função discriminante capaz de separar grupos a partir de combinações lineares das variáveis preditoras. Sua utilização, entretanto, está associada a pressupostos estatísticos, particularmente relacionados à 2 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 distribuição das variáveis e à estrutura das matrizes de covariância entre os grupos (James et al., 2021). Quando esses pressupostos são substancialmente violados, o desempenho e a interpretação do método podem ser comprometidos, especialmente em bases de dados com características distintas das condições ideais consideradas na formulação do modelo. Uma alternativa amplamente utilizada para problemas de classificação binária é a Regressão Logística. Diferentemente da LDA, a regressão logística modela diretamente a probabilidade de ocorrência do evento de interesse por meio da função de ligação logit e não requer a normalidade dos preditores como pressuposto para sua estimação (Hosmer et al., 2013). Essa característica torna o método particularmente interessante para a análise de dados epidemiológicos que apresentam distribuições assimétricas ou variáveis de diferentes naturezas. Além disso, a utilização de probabilidades estimadas permite estabelecer diferentes pontos de corte para a classificação dos indivíduos, possibilitando avaliar diferentes relações entre sensibilidade e especificidade. A escolha do ponto de corte é especialmente relevante em situações nas quais a variável resposta apresenta distribuição desigual entre as classes. Nesses casos, a utilização automática do valor de 0,50 pode resultar em um modelo com elevada acurácia global, mas baixa capacidade de identificar corretamente os indivíduos pertencentes à classe de interesse. Dessa forma, a avaliação do desempenho de um classificador não deve se limitar à acurácia, sendo importante considerar conjuntamente medidas como sensibilidade, especificidade e capacidade discriminatória global (Owusu-Adjei et al., 2023; van den Goorbergh et al., 2022). Diante desse contexto, este estudo analisa comparativamente o desempenho da Análise Discriminante Linear e da Regressão Logística na classificação de indivíduos segundo a presença autorreportada de doença cardiovascular, utilizando dados do Behavioral Risk Factor Surveillance System (BRFSS). Inicialmente, investiga-se a adequação da LDA aos dados por meio da avaliação de seus principais pressupostos estatísticos, incluindo a distribuição das variáveis e a homogeneidade das matrizes de covariância. Em seguida, avalia-se o desempenho da regressão logística como abordagem alternativa, considerando diferentes pontos de corte para a classificação. O objetivo do estudo é comparar o desempenho da Análise Discriminante Linear e da Regressão Logística na classificação de doença cardiovascular em uma amostra de indivíduos com 60 anos ou mais, investigando particularmente as limitações relacionadas à adequação dos pressupostos da LDA e o efeito da alteração do ponto de corte da Regressão Logística sobre medidas de desempenho como acurácia, sensibilidade, especificidade e área sob a curva ROC (AUC). 1.1 Revisão da Literatura A análise de doenças cardiovasculares a partir de grandes bases de dados epidemiológicos envolve aspectos relacionados tanto aos fatores associados à ocorrência dessas condições quanto às características dos métodos estatísticos utilizados para sua identificação. Nesse contexto, esta revisão está estruturada em três eixos complementares: os fatores clínicos, comportamentais e sociodemográficos associados às doenças cardiovasculares; os fundamentos e pressupostos da Análise Discriminante Linear; e a Regressão Logística como método de classificação binária em estudos epidemiológicos. 1.1.1 Fatores associados às doenças cardiovasculares em estudos populacionais As doenças cardiovasculares possuem etiologia multifatorial e estão associadas à interação entre características individuais, condições clínicas, comportamentos relacionados à saúde e fatores sociodemográficos. Variáveis como idade, sexo, hipertensão arterial, níveis elevados de colesterol, diabetes, excesso de peso, tabagismo e prática de atividade física têm sido amplamente investigadas em estudos sobre ocorrência e risco cardiovascular (Díez-Villanueva et al., 2022; van Bussel et al., 2020; WHO, 2025). 3 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 Além dos fatores clínicos tradicionalmente considerados, estudos epidemiológicos têm incorporado progressivamente variáveis relacionadas às condições socioeconômicas e aos comportamentos individuais. Escolaridade, renda e acesso aos serviços de saúde, por exemplo, podem estar associados tanto à adoção de comportamentos protetores quanto à exposição a fatores de risco cardiovascular (Powell-Wiley et al., 2022). Dessa forma, a investigação das doenças cardiovasculares em bases populacionais requer uma perspectiva multidimensional, na qual fatores biológicos, comportamentais e sociais são analisados conjuntamente. Nesse contexto, inquéritos populacionais de grande escala constituem importantes fontes de informação. O Behavioral Risk Factor Surveillance System (BRFSS) reúne dados autorreportados sobre condições crônicas de saúde, características sociodemográficas, comportamentos relacionados à saúde e utilização de serviços (CDC, 2016; Pickens et al., 2018). A amplitude dessas informações possibilita investigar associações entre diferentes dimensões da saúde e a presença autorreportada de doenças cardiovasculares em grandes populações. Entretanto, as características desses dados também representam um desafio para a modelagem estatística. Variáveis provenientes de questionários podem ser binárias, ordinais, discretas ou contínuas e apresentar distribuições assimétricas, concentração de observações em determinados valores e diferentes escalas de mensuração. Além disso, a proporção de indivíduos com a condição de interesse pode ser consideravelmente menor do que a daqueles sem a condição, resultando em distribuição desigual da variável resposta. Essas características tornam particularmente relevante a escolha do método de classificação e das métricas utilizadas para avaliar seu desempenho. Em situações de distribuição desigual entre as classes, a acurácia global, quando analisada isoladamente, pode produzir uma interpretação incompleta do desempenho do modelo, uma vez que um classificador pode apresentar elevada proporção total de acertos e, simultaneamente, baixa capacidade de identificar indivíduos pertencentes à classe menos frequente (Owusu-Adjei et al., 2023). Por essa razão, medidas como sensibilidade, especificidade e área sob a curva ROC devem ser consideradas conjuntamente na avaliação de classificadores aplicados a dados epidemiológicos. 1.1.2 Análise Discriminante Linear: fundamentos e pressupostos A Análise Discriminante Linear (Linear Discriminant Analysis — LDA) é uma técnica estatística multivariada utilizada para classificação e discriminação entre grupos previamente definidos. Seu objetivo consiste em determinar combinações lineares das variáveis preditoras que proporcionem separação entre as classes, permitindo posteriormente classificar novas observações de acordo com suas características (James et al., 2021). No caso de duas classes, a LDA busca estabelecer uma função discriminante capaz de maximizar a separação entre os grupos em relação à variabilidade observada dentro deles. A classificação de uma observação é realizada considerando a combinação das variáveis preditoras e as características estimadas para cada grupo. A aplicação clássica da LDA está associada a determinados pressupostos estatísticos. Entre eles, destacam-se a adequação da distribuição dos preditores dentro dos grupos e a homogeneidade das matrizes de covariância entre as classes (James et al., 2021). A presença de multicolinearidade elevada entre variáveis explicativas também pode prejudicar a estabilidade e a interpretação da função discriminante. Em dados epidemiológicos, esses pressupostos nem sempre são plenamente atendidos. Variáveis autorreportadas podem apresentar distribuições assimétricas ou discretas, enquanto variáveis comportamentais podem apresentar elevada concentração de observações em determinados valores. Nesses casos, transformações matemáticas podem ser empregadas na tentativa de reduzir a assimetria e melhorar as propriedades distributivas dos dados. Entre as transformações utilizadas para essa finalidade encontra-se a transformação de Box-Cox, que permite 4 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 selecionar um parâmetro de potência para modificar a distribuição de variáveis quantitativas (Box & Cox, 1964). Embora esse procedimento possa reduzir assimetrias em determinadas situações, sua aplicação não garante que todas as características necessárias à utilização de métodos paramétricos sejam satisfeitas. Por essa razão, a adequação da LDA deve ser avaliada empiricamente a partir das características dos dados e dos diagnósticos estatísticos pertinentes. Além da verificação dos pressupostos, o desempenho preditivo constitui elemento fundamental na avaliação da aplicabilidade da técnica. Particularmente quando as classes apresentam frequências distintas, a análise deve considerar não apenas a acurácia global, mas também a capacidade do modelo de classificar corretamente os indivíduos de cada grupo (Owusu-Adjei et al., 2023). 1.1.3 Regressão Logística aplicada à classificação binária A Regressão Logística constitui uma das técnicas mais utilizadas para analisar desfechos binários em estudos epidemiológicos. Diferentemente da LDA, o método não exige normalidade das variáveis preditoras nem igualdade das matrizes de covariância entre os grupos. O modelo estabelece uma relação entre um conjunto de variáveis explicativas e a probabilidade de ocorrência do evento de interesse por meio da função de ligação logit (Hosmer et al., 2013). Além de possibilitar a classificação das observações, a regressão logística permite avaliar a associação entre os preditores e o desfecho por meio dos coeficientes estimados e de suas transformações em razões de chances (odds ratios) (Hosmer et al., 2013). Essa característica é particularmente relevante em estudos epidemiológicos, nos quais, além da capacidade discriminatória do modelo, frequentemente existe interesse na interpretação das associações entre características dos indivíduos e o desfecho analisado. A classificação obtida a partir da regressão logística depende da definição de um ponto de corte para as probabilidades estimadas. Embora o valor de 0,50 seja frequentemente utilizado como referência, sua adoção não é obrigatória e pode não representar a melhor escolha em todas as situações. A alteração desse limiar modifica diretamente a relação entre sensibilidade e especificidade e pode ser especialmente relevante quando as classes apresentam frequências diferentes ou quando os custos associados aos falsos positivos e falsos negativos não são equivalentes (van den Goorbergh et al., 2022). Por esse motivo, a avaliação da regressão logística como classificador deve considerar diferentes dimensões de desempenho. A curva ROC permite examinar a relação entre sensibilidade e especificidade ao longo de diferentes pontos de corte, enquanto a área sob a curva (AUC) fornece uma medida global da capacidade discriminatória do modelo (Fawcett, 2006). Essas informações complementam as medidas obtidas a partir da matriz de confusão e permitem uma avaliação mais abrangente do comportamento do classificador. 1.1.4 Comparação entre LDA e Regressão Logística em dados epidemiológicos Embora a LDA e a Regressão Logística possam ser empregadas em problemas de classificação binária, as duas técnicas partem de estruturas estatísticas distintas. A LDA modela a distribuição dos preditores condicionada à classe e utiliza essas distribuições para estabelecer a regra de classificação. A Regressão Logística, por sua vez, modela diretamente a probabilidade do desfecho em função das variáveis explicativas (James et al., 2021). Essas diferenças tornam a comparação entre os métodos particularmente relevante quando os dados apresentam características que se afastam das condições pressupostas pela LDA. Entretanto, a escolha entre as técnicas não deve ser estabelecida exclusivamente com base em suas propriedades teóricas. O desempenho empírico depende das características da base analisada, da distribuição das classes, das variáveis incluídas e dos critérios utilizados para avaliar a classificação. Em dados epidemiológicos com distribuição desigual do desfecho, essa comparação requer atenção especial à 5 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 sensibilidade e à especificidade. Modelos com acurácia global semelhante podem apresentar comportamentos substancialmente diferentes na identificação dos indivíduos pertencentes à classe de interesse. Da mesma forma, a possibilidade de modificar o ponto de corte das probabilidades estimadas pela Regressão Logística permite explorar diferentes compromissos entre a identificação de casos positivos e a classificação correta dos casos negativos (Owusu-Adjei et al., 2023; van den Goorbergh et al., 2022). A proximidade do desempenho discriminatório entre os métodos encontra precedente em estudos comparativos no contexto cardiovascular. Gilpin et al. (1983), ao compararem diferentes abordagens multivariadas para predição após infarto do miocárdio, observaram que a Análise Discriminante Linear e a Regressão Logística apresentaram desempenhos semelhantes dentro das populações avaliadas. Embora as características da população e do desfecho sejam distintas das consideradas no presente estudo, esse resultado reforça que diferenças teóricas entre os métodos não implicam necessariamente diferenças substanciais em sua capacidade discriminatória. Dessa forma, a comparação entre LDA e Regressão Logística não deve ser entendida como uma busca pela superioridade absoluta de uma técnica sobre a outra, mas como uma investigação de seu comportamento diante das características específicas dos dados analisados. Essa perspectiva fundamenta a estratégia adotada neste estudo, que avalia tanto a adequação dos pressupostos estatísticos quanto o desempenho dos classificadores na identificação da presença autorreportada de doença cardiovascular em indivíduos com 60 anos ou mais. 2. Metodologia 2.1 Delineamento do estudo Trata-se de uma pesquisa observacional, transversal e de natureza aplicada (Gil, 2026; Risemberg et al., 2026a), num estudo de abordagem quantitativa (Risemberg et al., 2026b; Pereira et al., 2018) baseada em análise secundária de dados com uso de estatística descritiva simples com emprego de classes de dados, valores de frequência absoluta em quantidade e, de frequência relativa porcentual (Shitsuka et al., 2014a; Shitsuka et al., 2014b) e com análise estatística (Costa Neto & Bekman, 2009). A estratégia analítica foi estruturada em etapas sequenciais, compreendendo a seleção da população e da amostra, o pré-processamento dos dados, a avaliação dos pressupostos relacionados à LDA, o particionamento dos dados em conjuntos de treinamento e teste, a validação cruzada, o ajuste dos modelos e a avaliação de seus desempenhos em um conjunto independente de teste. 2.2 Fonte dos dados e população do estudo Foram utilizados dados provenientes do Behavioral Risk Factor Surveillance System (BRFSS), edição de 2015, sistema de vigilância epidemiológica conduzido pelos Centers for Disease Control and Prevention (CDC), dos Estados Unidos (CDC, 2016; Pickens et al., 2018). A análise utilizou a versão pré-processada Heart Disease Health Indicators, disponibilizada publicamente por Teboul (2022) no repositório Kaggle e derivada dos dados do BRFSS 2015, composta por 253.680 registros e 22 variáveis (Teboul, 2022). Considerando o objetivo do estudo, foram selecionados inicialmente os registros correspondentes a indivíduos com 60 anos ou mais, representados pelas categorias de 9 a 13 da variável Age. Após a aplicação desse critério, permaneceram 122.314 registros, entre os quais a prevalência da presença autorreportada de doença cardiovascular foi de aproximadamente 15,3%. 6 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 A partir dessa população, foi selecionada uma amostra aleatória simples de 5.000 indivíduos, utilizando-se uma semente aleatória previamente definida para garantir a reprodutibilidade do procedimento. Não foi realizado balanceamento artificial das classes, preservando-se, aproximadamente, a distribuição do desfecho existente na população elegível. Na amostra selecionada, a prevalência do desfecho positivo foi de 14,74%. A opção por uma subamostra aleatória de 5.000 observações teve como objetivo conciliar reprodutibilidade, viabilidade computacional e uniformidade dos procedimentos estatísticos empregados ao longo da análise. Esse tamanho amostral permitiu executar de forma consistente as etapas de avaliação dos pressupostos, transformação das variáveis, validação cruzada, ajuste dos modelos e comparação de desempenho, mantendo uma quantidade de observações suficientemente elevada para a estimação dos classificadores e preservando aproximadamente a distribuição original do desfecho. A seleção foi realizada por amostragem aleatória simples, com semente previamente definida, de modo a reduzir a possibilidade de viés de seleção e permitir a reprodução do procedimento analítico. Por se tratar de análise secundária de dados provenientes de base pública e sem identificação individual dos participantes, não houve coleta direta de informações pelos pesquisadores. 2.3 Definição e tratamento das variáveis A variável resposta foi HeartDiseaseorAttack, variável binária que indica a presença autorreportada de doença cardíaca coronariana ou infarto do miocárdio, codificada como ausência ou presença da condição. Foram consideradas 21 variáveis preditoras relacionadas a características sociodemográficas, condições de saúde, comportamentos relacionados à saúde e acesso aos serviços de saúde. A descrição e a codificação das variáveis utilizadas nos modelos são apresentadas no Quadro 1. Quadro 1: Variáveis utilizadas nos modelos de classificação. Variável Descrição Tipo / codificação utilizada HeartDiseaseorAttack Presença autorreportada de doença cardíaca coronariana ou infarto do miocárdio Desfecho binário: Não = 0; Sim = 1 HighBP Diagnóstico autorreportado de hipertensão arterial Binária: Não = 0; Sim = 1 HighChol Diagnóstico autorreportado de colesterol elevado Binária: Não = 0; Sim = 1 CholCheck Realização de exame de colesterol nos últimos cinco anos Binária: Não = 0; Sim = 1 BMI Índice de massa corporal Quantitativa Smoker Histórico de consumo de pelo menos 100 cigarros ao longo da vida Binária: Não = 0; Sim = 1 Stroke Histórico autorreportado de acidente vascular cerebral Binária: Não = 0; Sim = 1 Diabetes Condição relacionada ao diabetes Categórica PhysActivity Prática de atividade física nos últimos 30 dias, excluindo atividade ocupacional Binária: Não = 0; Sim = 1 Fruits Consumo de frutas uma ou mais vezes ao dia Binária: Não = 0; Sim = 1 Veggies Consumo de vegetais uma ou mais vezes ao dia Binária: Não = 0; Sim = 1 HvyAlcoholConsump Consumo elevado de bebidas alcoólicas Binária: Não = 0; Sim = 1 AnyHealthcare Existência de alguma forma de cobertura de assistência à saúde Binária: Não = 0; Sim = 1 NoDocbcCost Necessidade de atendimento médico não atendida devido ao custo nos últimos 12 meses Binária: Não = 0; Sim = 1 GenHlth Percepção do estado geral de saúde Ordinal: 1 = excelente a 5 = ruim MentHlth Número de dias de saúde mental ruim nos últimos 30 dias Quantitativa discreta: 0–30 dias PhysHlth Número de dias de saúde física ruim nos últimos 30 dias Quantitativa discreta: 0–30 dias DiffWalk Dificuldade para caminhar ou subir escadas Binária: Não = 0; Sim = 1 Sex Sexo informado pelo participante Binária: feminino = 0; masculino = 1 7 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 Age Faixa etária Ordinal; no estudo foram mantidas as categorias 9–13, correspondentes a indivíduos com 60 anos ou mais Education_3cat Escolaridade reagrupada para a análise Categórica: abaixo do ensino médio (categorias originais 1–3); ensino médio (4); formação pós-secundária (5–6) Income Faixa de renda Ordinal, conforme categorias da base Fonte: Elaborada pelos Autores a partir da base Heart Disease Health Indicators, derivada do BRFSS 2015 (CDC, 2016). As variáveis categóricas foram tratadas como fatores durante a modelagem. As variáveis BIM, PhysHlth e MentHlth foram consideradas quantitativas para os procedimentos relacionados à avaliação e transformação das distribuições. Em razão da baixa frequência observada nas categorias inferiores da variável original de escolaridade (Education), procedeu-se ao seu reagrupamento antes da modelagem final. Foram constituídas três categorias: abaixo do ensino médio, correspondendo às categorias originais 1 a 3; ensino médio, correspondente à categoria 4; e formação pós-secundária, reunindo as categorias 5 e 6. A categoria “abaixo do ensino médio” foi adotada como referência na Regressão Logística. 2.4 Particionamento dos dados A amostra de 5.000 indivíduos foi dividida uma única vez em conjuntos de treinamento e teste, utilizando-se particionamento aleatório estratificado em relação à variável resposta. Foram destinados aproximadamente 70% dos registros ao treinamento e 30% ao teste, resultando em 3.501 e 1.499 observações, respectivamente. O particionamento estratificado teve como finalidade preservar aproximadamente a proporção da variável resposta nos dois subconjuntos. A mesma divisão foi utilizada na avaliação dos dois métodos, permitindo a comparação da LDA e da Regressão Logística nas mesmas observações do conjunto de teste. O conjunto de teste foi mantido separado durante as etapas de ajuste dos modelos, validação cruzada e seleção do ponto de corte, sendo utilizado somente na avaliação final do desempenho dos classificadores. 2.5 Avaliação dos pressupostos e pré-processamento para a LDA Antes do ajuste da Análise Discriminante Linear, foram examinadas as características distributivas das variáveis quantitativas BMI, PhysHlth e MentHlth. Considerando a presença de assimetria nessas variáveis, foi empregada a transformação de Box-Cox como estratégia de redução da assimetria (Box & Cox, 1964). Os diagnósticos de distribuição e homogeneidade de covariância foram conduzidos para o subconjunto de variáveis quantitativas, não constituindo uma avaliação completa da normalidade multivariada de todos os preditores empregados na LDA. Os parâmetros λ da transformação foram estimados utilizando exclusivamente os dados de treinamento. Os mesmos parâmetros estimados no treinamento foram posteriormente aplicados às observações correspondentes do conjunto de teste, evitando a utilização de informações do teste durante o pré-processamento do modelo. A normalidade univariada das três variáveis quantitativas transformadas foi avaliada por meio do teste de ShapiroWilk, complementado pela inspeção gráfica das respectivas distribuições (Shapiro & Wilk, 1965). O teste foi empregado especificamente para avaliação da normalidade individual das variáveis, não sendo interpretado como teste de normalidade multivariada. A homogeneidade das matrizes de covariância entre os grupos foi investigada, para as três variáveis quantitativas transformadas, por meio do teste M de Box. Os resultados dessas análises foram considerados na interpretação da adequação e 8 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 das limitações da LDA diante das características do conjunto de dados. 2.6 Análise Discriminante Linear A Análise Discriminante Linear foi ajustada no conjunto de treinamento utilizando todos os preditores selecionados. Para as variáveis quantitativas BMI, PhysHlth e MentHlth, foram aplicadas transformações Box-Cox, cujos parâmetros foram estimados exclusivamente a partir do conjunto de treinamento e posteriormente aplicados ao conjunto de teste. O desempenho final do modelo foi avaliado no conjunto de teste independente por meio das métricas de classificação e da área sob a curva ROC. (James et al., 2021). 2.7 Regressão Logística Binomial Como segunda abordagem de classificação, foi ajustado um modelo de Regressão Logística Binomial, utilizando função de ligação logit (Hosmer et al., 2013). O modelo estimou a probabilidade de presença autorreportada de doença cardiovascular em função das variáveis preditoras. A Regressão Logística foi inicialmente avaliada considerando o ponto de corte convencional de 0,50. Entretanto, considerando a distribuição desigual das classes e a possibilidade de baixa identificação da classe positiva com esse limiar, também foi avaliado um ponto de corte selecionado de forma independente do conjunto de teste. Para a Regressão Logística, foi empregada validação cruzada estratificada de 10 folds no conjunto de treinamento. As probabilidades estimadas para as observações mantidas fora de cada fold foram reunidas para obtenção de previsões out-offold, utilizadas exclusivamente na seleção do ponto de corte pelo índice de Youden. O ponto de corte assim definido foi posteriormente aplicado ao conjunto de teste independente. A partir dessas probabilidades foi construída uma curva ROC para o conjunto de treinamento, e o ponto de corte foi selecionado pelo índice de Youden, definido como o limiar que maximiza conjuntamente sensibilidade e especificidade (Youden, 1950). Esse procedimento resultou em um ponto de corte de aproximadamente 0,162. O limiar selecionado durante a validação cruzada foi posteriormente fixado e aplicado às probabilidades produzidas pelo modelo final no conjunto independente de teste. Dessa forma, nenhuma informação proveniente do conjunto de teste foi utilizada para selecionar o ponto de corte. 2.8 Avaliação do desempenho dos classificadores O desempenho final dos modelos foi avaliado exclusivamente nas 1.499 observações pertencentes ao conjunto de teste. Foram calculadas as métricas de acurácia, sensibilidade, especificidade, valor preditivo positivo (precisão), valor preditivo negativo, escore F1 e acurácia balanceada (balanced accuracy). Considerando a distribuição desigual entre as classes, a acurácia não foi interpretada isoladamente como medida de desempenho. Particular atenção foi destinada à sensibilidade, à especificidade e à acurácia balanceada, de modo a avaliar a capacidade dos classificadores tanto de identificar corretamente indivíduos pertencentes à classe positiva quanto de reconhecer indivíduos da classe negativa. A capacidade discriminatória global dos modelos foi adicionalmente avaliada por meio das curvas Receiver Operating Characteristic (ROC) e de suas respectivas áreas sob a curva (Area Under the Curve — AUC). A AUC foi calculada a partir das probabilidades produzidas pelos modelos, independentemente da escolha de um ponto específico de classificação (Fawcett, 2006). Para a Regressão Logística, foram apresentados os resultados tanto para o ponto de corte convencional de 0,50 quanto 9 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 para o ponto de corte selecionado pelo índice de Youden, permitindo avaliar o efeito da alteração do limiar sobre as diferentes métricas de classificação. 2.9 Estimação das associações no modelo logístico Além de sua utilização como classificador, a Regressão Logística foi empregada para estimar as associações entre os preditores e a presença autorreportada de doença cardiovascular. Os coeficientes estimados pelo modelo foram exponenciados para obtenção das razões de chances (odds ratios — OR), acompanhadas dos respectivos intervalos de confiança de 95% (IC95%). As estimativas foram interpretadas em relação às categorias de referência definidas para cada variável (Hosmer et al., 2013). Por se tratar de estudo observacional e transversal, os odds ratios foram interpretados como medidas de associação, não sendo utilizados para estabelecer relações causais ou estimar diretamente risco prospectivo de desenvolvimento de doença cardiovascular. A presença de multicolinearidade entre os preditores do modelo logístico completo foi investigada por meio do Fator de Inflação da Variância (VIF) e, para fatores com múltiplos graus de liberdade, pelo Fator de Inflação da Variância Generalizado (GVIF), considerando sua forma ajustada em função dos graus de liberdade (Fox & Weisberg, 2019). 2.10 Análise estatística e reprodutibilidade Todas as análises foram realizadas no ambiente estatístico R (R Core Team, 2026). Foram utilizados os pacotes MASS para a Análise Discriminante Linear; caret para o particionamento estratificado, validação cruzada e cálculo das métricas de classificação; forecast para os procedimentos relacionados à transformação de Box-Cox; biotools para o teste M de Box; car para avaliação da multicolinearidade; e pROC para construção das curvas ROC, cálculo da AUC e seleção do ponto de corte pelo índice de Youden (Robin et al., 2011). Foram utilizadas sementes aleatórias previamente definidas nos procedimentos de amostragem, particionamento e validação cruzada, permitindo a reprodução das etapas aleatórias da análise. 3. Resultados e Discussão 3.1 Caracterização da amostra e avaliação dos pressupostos da LDA Após a seleção dos indivíduos com 60 anos ou mais, a população elegível foi constituída por 122.314 registros. Dessa população foi extraída uma amostra aleatória simples de 5.000 indivíduos, preservando-se a distribuição original do desfecho. A presença autorreportada de doença cardiovascular foi observada em 14,74% da amostra, evidenciando distribuição desigual entre as classes. Essa característica é particularmente relevante para a avaliação dos classificadores. Em situações nas quais a classe positiva é menos frequente, modelos que classificam predominantemente as observações na classe majoritária podem apresentar elevada acurácia global mesmo quando possuem baixa capacidade de identificar os casos positivos (Owusu-Adjei et al., 2023; van den Goorbergh et al., 2022). Por esse motivo, a interpretação dos resultados considerou, além da acurácia, medidas como sensibilidade, especificidade, acurácia balanceada, escore F1 e AUC (Owusu-Adjei et al., 2023). Antes do ajuste da LDA, foram avaliadas as características distributivas das variáveis quantitativas BMI, PhysHlth e MentHlth. Mesmo após a transformação de Box-Cox, o teste de Shapiro-Wilk indicou evidências de afastamento da normalidade univariada para as três variáveis (Tabela 1). 10 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 Tabela 1: Avaliação da normalidade univariada após transformação de Box-Cox. Variável W de Shapiro-Wilk p-valor BMI 0,9916 < 0,001 PhysHlth 0,6867 < 0,001 MentHlth 0,5710 < 0,001 Fonte: Elaborada pelos Autores. Os resultados foram especialmente expressivos para PhysHlth e MentHlth, cujas estatísticas W permaneceram distantes de 1. Essas variáveis representam o número de dias, nos últimos 30 dias, em que o indivíduo relatou condições ruins de saúde física e mental, respectivamente, apresentando elevada concentração de observações em zero. Consequentemente, mesmo após a transformação, suas distribuições permaneceram incompatíveis com uma aproximação normal satisfatória. A homogeneidade das matrizes de covariância entre os grupos também foi avaliada, considerando as três variáveis quantitativas transformadas. O teste M de Box apresentou resultado estatisticamente significativo (χ² aproximado = 26,438; gl = 6; p < 0,001), indicando evidências de diferenças entre as matrizes de covariância dos grupos para esse conjunto de variáveis. Esse resultado sugere afastamento do pressuposto de homogeneidade das matrizes de covariância associado à aplicação clássica da LDA. Ressalta-se, entretanto, que o teste foi realizado especificamente para BMI, PhysHlth e MentHlth, não constituindo uma avaliação da estrutura de covariância do conjunto completo de preditores utilizado no modelo. Em conjunto, os resultados dos testes de Shapiro-Wilk e M de Box indicam que as características das variáveis quantitativas analisadas se afastam das condições teóricas ideais associadas à aplicação clássica da LDA. Esses achados não implicam, isoladamente, que a técnica seja incapaz de produzir uma classificação útil, uma vez que seu desempenho empírico pode apresentar alguma robustez diante de violações de pressupostos. Entretanto, reforçam a necessidade de interpretar seus resultados considerando essas limitações e justificam a comparação com uma abordagem menos dependente da distribuição dos preditores, como a Regressão Logística (James et al., 2021). 3.2 Desempenho comparativo da LDA e da Regressão Logística Os modelos foram avaliados nas mesmas 1.499 observações pertencentes ao conjunto independente de teste. A Tabela 2 apresenta as principais métricas obtidas pela LDA e pela Regressão Logística, esta última considerando tanto o ponto de corte convencional de 0,50 quanto o limiar selecionado por validação cruzada e índice de Youden. Tabela 2: Desempenho dos modelos no conjunto independente de teste. Acurácia (%) Modelo LDA Regressão Logística – cutoff 0,50 Regressão Logística – cutoff 0,162 84,99 85,32 72,52 Sensibilidade (%) 15,84 10,41 72,40 Especificidade (%) 96,95 98,28 72,54 Acurácia balanceada (%) 56,39 54,34 72,47 F1 (%) 23,73 17,29 43,72 AUC 0,783 0,787 0,787 Fonte: Elaborada pelos Autores. A análise baseada exclusivamente na acurácia poderia levar à conclusão de que a LDA e a Regressão Logística com ponto de corte de 0,50 apresentam excelente desempenho, uma vez que ambas alcançaram aproximadamente 85% de classificações corretas. Entretanto, a análise da sensibilidade revela um comportamento substancialmente diferente. A LDA identificou corretamente apenas 15,84% dos indivíduos pertencentes à classe positiva, enquanto a Regressão Logística com cutoff de 0,50 apresentou sensibilidade ainda menor, de 10,41%. Em contrapartida, as especificidades foram 11 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 elevadas, alcançando 96,95% e 98,28%, respectivamente. Esse comportamento decorre, em grande medida, da distribuição desigual do desfecho. Como aproximadamente 85% dos indivíduos pertencem à classe negativa, classificadores que privilegiam essa classe podem alcançar elevada acurácia global mesmo apresentando desempenho limitado na identificação dos indivíduos com presença autorreportada de doença cardiovascular. Esse resultado evidencia a limitação da acurácia quando utilizada isoladamente em problemas de classificação com classes desbalanceadas. Nesse contexto, a acurácia balanceada apresentou quadro mais informativo: 56,39% para a LDA e 54,34% para a Regressão Logística com cutoff de 0,50, valores próximos de um desempenho pouco equilibrado entre as duas classes (Owusu-Adjei et al., 2023; van den Goorbergh et al., 2022). As áreas sob as curvas ROC, entretanto, foram de 0,783 para a LDA e 0,787 para a Regressão Logística, indicando capacidade discriminatória global muito semelhante entre os métodos. A curva ROC permite avaliar o comportamento do classificador ao longo de diferentes limiares de decisão, enquanto a AUC sintetiza sua capacidade discriminatória sem depender da adoção de um único ponto específico de classificação (Fawcett, 2006). Figura 1: Curvas ROC da LDA e da Regressão Logística no conjunto independente de teste. Fonte: Elaborada pelos Autores. A proximidade entre as AUCs indica que os modelos apresentam capacidade semelhante de ordenar indivíduos segundo a probabilidade de pertencimento às duas classes. Dessa forma, os resultados não sustentam uma afirmação de superioridade global da Regressão Logística sobre a LDA em termos de discriminação. A principal diferença entre as abordagens emerge quando se considera a regra utilizada para converter as probabilidades estimadas em classificações positivas e negativas. 3.3 Efeito do ponto de corte na Regressão Logística A utilização do cutoff convencional de 0,50 mostrou-se inadequada para a identificação da classe positiva neste 12 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 conjunto de dados. Embora tenha proporcionado acurácia de 85,32% e especificidade de 98,28%, sua sensibilidade foi de apenas 10,41%. Para reduzir essa limitação, o ponto de corte foi selecionado exclusivamente no conjunto de treinamento, utilizando probabilidades out-of-fold obtidas por validação cruzada estratificada de 10 partições. A maximização do índice de Youden resultou em um limiar de 0,1617, arredondado para 0,162 (Youden, 1950). Quando esse ponto de corte foi aplicado ao conjunto independente de teste, a sensibilidade aumentou de 10,41% para 72,40%. Simultaneamente, a especificidade diminuiu de 98,28% para 72,54%, evidenciando o compromisso esperado entre essas duas medidas. Mais importante, a acurácia balanceada aumentou de 54,34% para 72,47%, enquanto o escore F1 passou de 17,29% para 43,72%. Esses resultados indicam que o cutoff selecionado proporcionou classificação substancialmente mais equilibrada entre indivíduos com e sem o desfecho. A redução da acurácia global de 85,32% para 72,52% não deve, portanto, ser interpretada isoladamente como deterioração do modelo. Ela resulta do aumento da identificação da classe positiva, acompanhado, inevitavelmente, de maior número de falsos positivos. Esse resultado é particularmente relevante porque demonstra que a capacidade discriminatória do modelo e a regra de decisão são componentes distintos. A AUC da Regressão Logística permanece 0,787 independentemente do cutoff escolhido; o que se modifica é o ponto da curva ROC utilizado para converter probabilidades em classes. O comportamento observado é consistente com evidências metodológicas de que, em problemas de classificação com baixa frequência do evento, a alteração do limiar de decisão pode produzir mudanças substanciais na relação entre sensibilidade e especificidade sem modificar a capacidade discriminatória subjacente do modelo. Nesse contexto, o ajuste do ponto de corte constitui uma alternativa à modificação artificial da distribuição das classes quando o objetivo é obter uma regra de decisão mais adequada à finalidade da classificação (van den Goorbergh et al., 2022). 3.4 Fatores associados à presença autorreportada de doença cardiovascular A avaliação da multicolinearidade não indicou problemas relevantes entre os preditores, uma vez que os valores de GVIF ajustado permaneceram próximos de 1, sendo o maior valor observado de 1,095619 para a variável GenHlth. Além da avaliação do desempenho classificatório, a Regressão Logística permitiu examinar as associações entre as características consideradas e a presença autorreportada de doença cardiovascular. A Tabela 3 apresenta os fatores estatisticamente significativos de maior interesse identificados pelo modelo multivariado. Tabela 3: Principais associações estimadas pelo modelo de Regressão Logística. VARIÁVEL/CATEGORIA Saúde Geral Autorreferida – Categoria 5 Faixa Etária – Categoria 13 Histórico de AVC Sexo Masculino Colesterol Elevado Tabagismo Dificuldade para Caminhar Hipertensão Arterial OR 5,69 3,74 2,68 1,96 1,95 1,59 1,53 1,34 IC95% 3,02–10,72 2,62–5,36 1,93–3,74 1,58–2,44 1,55–2,45 1,28–1,97 1,18–1,98 1,05–1,70 Fonte: Elaborada pelos Autores. 13 P-VALOR <0,001 <0,001 <0,001 <0,001 <0,001 <0,001 0,001 0,017 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 A saúde geral autopercebida apresentou uma das associações de maior magnitude. Indivíduos pertencentes à categoria 5 apresentaram chances aproximadamente 5,7 vezes maiores de relatar doença cardiovascular em comparação à categoria de referência, após ajuste pelas demais variáveis do modelo (OR = 5,69; IC95%: 3,02–10,72; p < 0,001). Observou-se ainda aumento progressivo das razões de chances entre as categorias de saúde geral, com OR de 1,80, 3,13, 4,96 e 5,69 para as categorias 2, 3, 4 e 5, respectivamente. Esse comportamento sugere uma associação gradual entre pior percepção do estado geral de saúde e maior ocorrência autorreportada do desfecho. A magnitude observada para a saúde geral autopercebida encontra respaldo em estudos que apontam essa medida como importante marcador de desfechos cardiovasculares. Mavaddat et al. (2014), em revisão sistemática e meta-análise, identificaram associação entre pior saúde autopercebida e maior ocorrência de desfechos cardiovasculares. Em população idosa, Bamia et al. (2017) também observaram associação entre pior saúde autopercebida e maior mortalidade, inclusive por causas cardiovasculares. Esses achados reforçam a relevância de medidas subjetivas de saúde em estudos epidemiológicos, embora a natureza transversal da presente análise não permita estabelecer temporalidade ou causalidade. Padrão semelhante foi observado para a idade. Em relação à categoria etária de referência, as razões de chances aumentaram progressivamente para 1,57, 1,90, 2,52 e 3,74 nas categorias 10, 11, 12 e 13, respectivamente. Para a categoria etária mais elevada, a estimativa foi OR = 3,74 (IC95%: 2,62–5,36; p < 0,001), reforçando a associação entre envelhecimento e presença de condições cardiovasculares. O gradiente observado para idade é coerente com o conhecimento epidemiológico sobre as doenças cardiovasculares em populações idosas. A literatura indica aumento da ocorrência de doenças cardiovasculares com o avanço da idade, ao mesmo tempo em que a importância relativa de diferentes fatores de risco pode se modificar nas faixas etárias mais elevadas (Díez-Villanueva et al., 2022; van Bussel et al., 2020). Entre as demais características, destacaram-se histórico autorreportado de acidente vascular cerebral (OR = 2,68; IC95%: 1,93–3,74; p < 0,001), sexo masculino (OR = 1,96; IC95%: 1,58–2,44; p < 0,001), colesterol elevado (OR = 1,95; IC95%: 1,55–2,45; p < 0,001), tabagismo (OR = 1,59; IC95%: 1,28–1,97; p < 0,001), dificuldade para caminhar ou subir escadas (OR = 1,53; IC95%: 1,18–1,98; p = 0,001) e hipertensão arterial (OR = 1,34; IC95%: 1,05–1,70; p = 0,017). A direção das associações encontradas para sexo masculino, colesterol elevado, tabagismo e hipertensão arterial também é compatível com fatores tradicionalmente relacionados à ocorrência de doenças cardiovasculares. Em indivíduos idosos, idade, sexo, pressão arterial, tabagismo, diabetes e parâmetros lipídicos permanecem entre os fatores relevantes para avaliação cardiovascular, embora a força preditiva de alguns fatores possa diferir daquela observada em populações mais jovens (Díez-Villanueva et al., 2022; van Bussel et al., 2020). A escolaridade, após seu reagrupamento em três categorias, não apresentou associação estatisticamente significativa com o desfecho. Em comparação à categoria abaixo do ensino médio, o ensino médio apresentou OR = 0,96 (IC95%: 0,64– 1,43; p = 0,831), enquanto a formação pós-secundária apresentou OR = 1,29 (IC95%: 0,86–1,94; p = 0,215). Da mesma forma, não foram observadas associações estatisticamente significativas para IMC, atividade física, consumo de frutas e vegetais, saúde mental, saúde física e categorias de renda, após ajuste simultâneo pelas demais variáveis do modelo. A ausência de associação estatisticamente significativa para o IMC após ajuste multivariado também merece atenção. Em revisão sistemática direcionada a indivíduos com 60 anos ou mais, van Bussel et al. (2020) observaram que alguns fatores tradicionais apresentam capacidade preditiva reduzida nas faixas etárias mais elevadas, sendo particularmente limitada a contribuição adicional do IMC em determinados modelos. Esse resultado sugere que a interpretação dos fatores cardiovasculares em populações idosas deve considerar as particularidades dessa faixa etária. O consumo elevado de álcool apresentou associação inversa de pequena magnitude estatística (OR = 0,53; IC95%: 14 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 0,29–0,99; p = 0,045). Esse resultado deve ser interpretado com cautela e não constitui evidência de efeito protetor do consumo elevado de álcool. Estudos observacionais sobre consumo de álcool podem ser particularmente suscetíveis à causalidade reversa, ao confundimento residual e ao denominado sick-quitter effect, no qual indivíduos que interrompem ou reduzem o consumo devido a problemas de saúde podem modificar artificialmente as associações observadas entre consumo e desfechos de saúde (Sarich et al., 2024). Considerando o delineamento transversal e o caráter autorreportado das informações utilizadas no presente estudo, não é possível determinar se a associação inversa encontrada representa uma relação própria do consumo de álcool ou decorre dessas e de outras características não controladas da amostra. De modo geral, as associações identificadas são compatíveis com a natureza multifatorial das doenças cardiovasculares. Entretanto, devido ao delineamento observacional e transversal, os odds ratios representam associações condicionais às demais variáveis incluídas no modelo e não devem ser interpretados como evidência de causalidade ou como estimativas diretas de risco prospectivo. 4. Considerações Finais O presente estudo comparou o desempenho da Análise Discriminante Linear (LDA) e da Regressão Logística Binomial na classificação da presença autorreportada de doença cardiovascular em indivíduos com 60 anos ou mais, utilizando dados do Behavioral Risk Factor Surveillance System (BRFSS). Além da comparação entre os métodos, investigou-se as limitações relacionadas à adequação dos pressupostos da LDA e da alteração do ponto de corte da Regressão Logística sobre diferentes métricas de classificação. Os resultados mostraram que a LDA e a Regressão Logística apresentaram capacidade discriminatória global bastante semelhante, com áreas sob a curva ROC de 0,783 e 0,787, respectivamente. Entretanto, a análise das métricas de classificação revelou que a acurácia global, quando considerada isoladamente, produziu uma visão incompleta do desempenho dos modelos diante da distribuição desigual das classes. Com o ponto de corte convencional de 0,50, a Regressão Logística apresentou acurácia de 85,32%, mas sensibilidade de apenas 10,41%. A LDA apresentou comportamento semelhante, com acurácia de 84,99% e sensibilidade de 15,84%. Esses resultados evidenciam que classificadores podem apresentar elevada proporção global de acertos e, simultaneamente, baixa capacidade de identificar indivíduos pertencentes à classe positiva. A seleção do ponto de corte da Regressão Logística por meio de validação cruzada estratificada e maximização do índice de Youden resultou em um limiar de aproximadamente 0,162. Quando aplicado ao conjunto independente de teste, esse valor proporcionou sensibilidade de 72,40% e especificidade de 72,54%, além de acurácia balanceada de 72,47%. Embora a acurácia global tenha sido reduzida para 72,52%, o modelo passou a apresentar desempenho substancialmente mais equilibrado entre as duas classes. Dessa forma, os resultados não indicam superioridade global da Regressão Logística sobre a LDA em termos de capacidade discriminatória. A principal contribuição metodológica do estudo está em demonstrar que a regra utilizada para converter probabilidades estimadas em classes pode exercer impacto decisivo sobre o desempenho prático do classificador, especialmente em situações nas quais o desfecho apresenta baixa frequência relativa. Nesse contexto, a escolha do ponto de corte mostrou-se tão relevante quanto a escolha do próprio método estatístico para a obtenção de uma classificação equilibrada. A avaliação dos pressupostos da LDA também revelou limitações importantes. Mesmo após a aplicação da transformação de Box-Cox, as variáveis quantitativas analisadas permaneceram distantes da normalidade univariada, especialmente aquelas relacionadas ao número de dias de saúde física e mental ruim. Esses resultados reforçam a necessidade de avaliar as características distributivas dos dados antes da aplicação de técnicas paramétricas e de interpretar seus resultados 15 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 considerando eventuais violações dos pressupostos. Além do desempenho classificatório, a Regressão Logística permitiu identificar associações entre diferentes características e a presença autorreportada de doença cardiovascular. Entre as associações de maior magnitude destacaram-se pior saúde geral autopercebida, faixa etária mais elevada, histórico de acidente vascular cerebral, sexo masculino, colesterol elevado, tabagismo, dificuldade para caminhar ou subir escadas e hipertensão arterial. A pior categoria de saúde geral autopercebida apresentou OR de 5,69, enquanto a faixa etária mais elevada apresentou OR de 3,74. Por outro lado, após ajuste simultâneo pelas demais variáveis, não foram observadas associações estatisticamente significativas para escolaridade, índice de massa corporal, atividade física, consumo de frutas e vegetais, saúde física, saúde mental e categorias de renda. Esses resultados devem ser interpretados exclusivamente como associações dentro da amostra e do modelo considerados, não sendo possível estabelecer relações causais ou inferir risco prospectivo de desenvolvimento de doença cardiovascular. O estudo apresenta algumas limitações. A utilização de dados transversais impede estabelecer temporalidade entre os fatores analisados e o desfecho. Além disso, grande parte das informações do BRFSS é autorreportada, podendo estar sujeita a vieses de memória, percepção ou classificação. Adicionalmente, a análise foi conduzida em uma subamostra aleatória de 5.000 indivíduos selecionados entre os registros elegíveis. Embora o procedimento preserve a aleatoriedade e aproximadamente a distribuição do desfecho, os resultados refletem especificamente a amostra analisada e podem apresentar variação em relação à utilização de toda a população disponível no conjunto de dados. Deve-se considerar, ainda, que a análise utilizou uma versão pré-processada do BRFSS e não incorporou pesos amostrais ou outros componentes do desenho amostral complexo do inquérito. Dessa forma, as estimativas obtidas devem ser interpretadas como referentes à amostra analisada, não devendo ser diretamente generalizadas como estimativas populacionais representativas da população idosa dos Estados Unidos. Como perspectivas futuras, estudos poderão avaliar o comportamento dos modelos em amostras maiores, outras faixas etárias e diferentes populações, além de comparar os resultados obtidos com métodos de classificação não lineares. Também podem ser exploradas estratégias de calibração e definição de limiares orientadas a diferentes objetivos de decisão, bem como procedimentos de validação externa em bases independentes. Em síntese, o estudo evidencia que a avaliação de modelos aplicados a dados epidemiológicos com classes desiguais deve ir além da acurácia global. A análise conjunta de sensibilidade, especificidade, acurácia balanceada, escore F1 e AUC forneceu uma compreensão mais adequada do comportamento dos classificadores. No conjunto analisado, a Regressão Logística com ponto de corte selecionado por validação apresentou o melhor equilíbrio entre a identificação das classes positiva e negativa, sem que isso implique superioridade absoluta do método sobre a LDA. Referências Bamia, C., Orfanos, P., Juerges, H., Schöttker, B., Brenner, H., Lorbeer, R., Aadahl, M., Matthews, C. E., Klinaki, E., Katsoulis, M., Lagiou, P., Bueno-deMesquita, H. B., Eriksson, S., Mons, U., Saum, K.-U., Kubinova, R., Pajak, A., Tamosiunas, A., & Malyutina, S. (2017). Self-rated health and all-cause and cause-specific mortality of older adults: Individual data meta-analysis of prospective cohort studies in the CHANCES Consortium. Maturitas, 103, 37–44. https://doi.org/10.1016/j.maturitas.2017.06.023 Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. Centers for Disease Control and Prevention. (2016). Behavioral Risk Factor Surveillance System: Overview BRFSS 2015. U.S. Department of Health and Human Services. Costa Neto, P. L. O. & Bekman, O. R. (2009). Análise estatística da decisão. (2.ed). Editora Blucher. Díez-Villanueva, P., Jiménez-Méndez, C., Bonanad, C., García-Blas, S., Pérez-Rivera, Á., Allo, G., García-Pardo, H., Formiga, F., Camafort, M., MartínezSellés, M., Ariza-Solé, A., & Ayesta, A. (2022). Risk factors and cardiovascular disease in the elderly. Reviews in Cardiovascular Medicine, 23(6), 188. https://doi.org/10.31083/j.rcm2306188 16 Research, Society and Development, v. 15, n. 9, e8015951708, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51708 Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010 Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage. Gil, A. C. (2026). Como elaborar um projeto de pesquisa. (8.ed.). Editora Atlas. Gilpin, E., Olshen, R., Henning, H., & Ross, J., Jr. (1983). Risk prediction after myocardial infarction: Comparison of three multivariate methodologies. Cardiology, 70(2), 73–84. https://doi.org/10.1159/000173573 Hosmer, D. W., Jr., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer. Mavaddat, N., Parker, R. A., Sanderson, S., Mant, J., & Kinmonth, A. L. (2014). Relationship of self-rated health with fatal and non-fatal outcomes in cardiovascular disease: A systematic review and meta-analysis. PLOS ONE, 9(7), e103509. https://doi.org/10.1371/journal.pone.0103509 Owusu-Adjei, M., Hayfron-Acquah, J. B., Frimpong, T., & Abdul-Salaam, G. (2023). Imbalanced class distribution and performance evaluation metrics: A systematic review of prediction accuracy for determining model performance in healthcare systems. PLOS Digital Health, 2(11), e0000290. https://doi.org/10.1371/journal.pdig.0000290 Pereira, A. S. et al. (2018). Metodologia da pesquisa científica. [Free ebook]. Santa Maria. Editora da UFSM. https://orcid.org/0000-0002-9813-0457 Pickens, C. M., Pierannunzi, C., Garvin, W., & Town, M. (2018). Surveillance for certain health behaviors and conditions among states and selected local areas—Behavioral Risk Factor Surveillance System, United States, 2015. MMWR Surveillance Summaries, 67(9), 1–90. Pierannunzi, C., Hu, S. S., & Balluz, L. (2013). A systematic review of publications assessing reliability and validity of the Behavioral Risk Factor Surveillance System (BRFSS), 2004–2011. BMC Medical Research Methodology, 13, 49. https://doi.org/10.1186/1471-2288-13-49 Powell-Wiley, T. M., Baumer, Y., Baah, F. O., Baez, A. S., Farmer, N., Mahlobo, C. T., Pita, M. A., Potharaju, K. A., Tamura, K., & Wallen, G. R. (2022). Social determinants of cardiovascular disease. Circulation Research, 130(5), 782–799. https://doi.org/10.1161/CIRCRESAHA.121.319811 R Core Team (2026). _R: A Language and Environment for Statistical Computing_. R Foundation for Statistical Computing, Vienna, Austria. doi:10.32614/R.manuals https://doi.org/10.32614/R.manuals. https://www.R-project.org/. Risemberg, R. I. C. et al. (2026a). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica, 7(1), e0171675. https://eacademica.org/eacademica/article/view/675. Risemberg, R. I. C., Wakin, M., & Shitsuka, R. (2026b). Qualitativa, quantitativa ou quali-quantitativa: Como identificar de modo rápido a abordagem de um artigo científico? E-Acadêmica, 7(2), e0172702. https://doi.org/10.52076/eacad-v7i2.702 Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J.-C., & Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, 77. https://doi.org/10.1186/1471-2105-12-77 Sarich, P., Gao, S., Zhu, Y., Canfell, K., & Weber, M. F. (2024). The association between alcohol consumption and all-cause mortality: An umbrella review of systematic reviews using lifetime abstainers or low-volume drinkers as a reference group. Addiction, 119(6), 998–1012. https://doi.org/10.1111/add.16446 Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3–4), 591–611. Shitsuka, R. et al. (2014a). Matemática fundamental para tecnologia. (2.ed). Editora Érica. ISBN: 978-8536502359. Shitsuka, C. et al. (2014b). Matemática aplicada. Editora Érica. ISBN: 978-8536507613. Teboul, A. (2022). Heart Disease Health Indicators Dataset. Kaggle. van Bussel, E. F., Hoevenaar-Blom, M. P., Poortvliet, R. K. E., Gussekloo, J., van Dalen, J. W., van Gool, W. A., Richard, E., & Moll van Charante, E. P. (2020). Predictive value of traditional risk factors for cardiovascular disease in older people: A systematic review. Preventive Medicine, 132, 105986. https://doi.org/10.1016/j.ypmed.2020.105986 van den Goorbergh, R., van Smeden, M., Timmerman, D., & Van Calster, B. (2022). The harm of class imbalance corrections for risk prediction models: Illustration and simulation using logistic regression. Journal of the American Medical Informatics Association, 29(9), 1525–1534. https://doi.org/10.1093/jamia/ocac093 World Health Organization. (2025). Cardiovascular diseases (CVDs). World Health Organization – Cardiovascular diseases. Youden, W. J. (1950). Index for rating diagnostic tests. Cancer, 3(1), 32–35. 17