Dashboard preditivo de IMC desenvolvido como projeto final (DS-009 Hands On) da formação Data Science Aplicado à Saúde — UFRR · Fox Data / CIT · 2024–2025.
O sistema utiliza dados nutricionais do SISVAN (Sistema de Vigilância Alimentar e Nutricional) de 2008 a 2023, cobrindo todos os 27 estados brasileiros, para explorar tendências de IMC e projetar o IMC futuro de um indivíduo com base em padrões populacionais.
| 🏛️ Instituição | UFRR — Fox Data / CIT |
| 📚 Módulo | DS-009 — Hands On: Implementação de Projetos |
| 📅 Período | 2024–2025 |
| 👤 Autor | Kelvin Araújo Ferreira |
Aba Inicial — Exploração:
- Métricas gerais: 27 estados · período 2008–2023 · 123.201 registros (pós-limpeza)
- IMC médio por faixa etária (0-18, 19-25, 26-40, 41-60, >60)
- Distribuição do IMC por ano (box plot)
- Tendência do IMC médio por sexo ao longo dos anos
Aba Target — Predição:
- Inputs: idade atual, anos a projetar, sexo, peso e altura
- Cálculo do IMC atual pela fórmula padrão
- Projeção do IMC futuro via modelo AdaBoost treinado nos dados do SISVAN
- Gráfico comparativo IMC atual vs. IMC projetado
O modelo usa AdaBoostRegressor (scikit-learn, 100 estimators) treinado com os dados do SISVAN. Para projetar o IMC futuro, o modelo estima o IMC associado a uma pessoa com as mesmas características na idade futura — baseando-se em padrões populacionais de pessoas com comportamentos similares naquele grupo etário, não em acompanhamento longitudinal individual.
Features: idade, sexo, peso, altura, escolaridade, raça/cor, estado (UF) Target: IMC
dataset_IMC_final.csv — 135.000 registros · 10 colunas · cobertura nacional
| Coluna | Descrição |
|---|---|
ano |
Ano da coleta (2008–2023) |
sigla_uf |
Sigla do estado (27 UFs) |
idade |
Idade do indivíduo |
sexo |
M ou F |
raca_cor |
Branca, Preta, Parda, Amarela, Indígena |
escolaridade |
14 categorias → agrupadas em 4 pelo dashboard |
peso |
Peso em kg |
altura |
Altura em metros |
imc |
IMC calculado |
Fonte: SISVAN — Sistema de Vigilância Alimentar e Nutricional
- Dashboard: Streamlit · st-on-hover-tabs
- Modelo: scikit-learn (AdaBoostRegressor)
- Dados: pandas · numpy · scipy
- Visualização: plotly · seaborn · matplotlib
- Pré-processamento: LabelEncoder · remoção de outliers (Z-score + IQR)
# Clonar o repositório
git clone https://github.com/DilliKel/imc-longterm-forecast.git
cd imc-longterm-forecast/dashboard
# Instalar dependências
pip install streamlit pandas numpy scipy plotly seaborn scikit-learn st-on-hover-tabs
# Executar o dashboard
streamlit run Dashboard.py| Notebook | Descrição |
|---|---|
| 00-handson-imc-roraima | EDA inicial focado em Roraima — análise por município e período pandêmico |
| 01-eda-correlacao-idade-imc | Correlação de Pearson entre idade e IMC |
| 02-comparacao-modelos-regressao | Comparação de 4 modelos: Random Forest, Regressão Linear, SVR, AdaBoost |
| 03-comparacao-modelos-tuning-hiperparametros | Tuning do Random Forest via RandomizedSearchCV |
| 04-prototipo-gradio-random-forest | Protótipo alternativo com Gradio + serialização do modelo com pickle |
Kelvin Araújo Ferreira linkedin.com/in/dillikel