This study aimed to predict dietary recommendations and compare the performance of algorithms based on collaborative filtering for making predictions of personalized dietary recommendations. We analyzed the baseline cross-sectional data (2008–2010) of 12,667 participants of the Brazilian Longitudinal Study of Adult Health (ELSA-Brasil). The participants were public employees of teaching and research institutions, aged 35–74 years, and 59% female. A semiquantitative Food Frequency Questionnaire (FFQ) was used for dietary assessment. The predictions of dietary recommendations were based on two machine learning (ML) algorithms—user-based collaborative filtering (UBCF) and item-based collaborative filtering (IBCF). The ML algorithms had similar precision (88–91%). The error metrics were lower for UBCF than for IBCF: with a root mean square error (RMSE) of 1.49 vs. 1.67 and a mean square error (MSE) of 2.21 vs. 2.78. Although all food groups were used as input in the system, the items eligible as recommendations included whole cereals, tubers and roots, beans and other legumes, oilseeds, fruits, vegetables, white meats and fish, and low-fat dairy products and milk. The algorithms’ performances were similar in making predictions for dietary recommendations. The models presented can provide support for health professionals in interventions that promote healthier habits and improve adherence to this personalized dietary advice.

Objetivos: avaliar a prevalência da insegurança alimentar e nutricional e fatores associados de estudantes, moradores do Conjunto Residencial da Universidade de São Paulo - CRUSP. Métodos: este estudo transversal avaliou por meio de questionário virtual 84 estudantes no período de junho a julho de 2020. Utilizou-se a versão curta (7 questões) da Escala Brasileira de Insegurança Alimentar para definição da variável desfecho: Insegurança Alimentar (IA). Variáveis sociodemográficas e econômicas, e questões relacionadas à ingestão alimentar foram utilizadas para descrever a amostra e associação com a IA, avaliados por meio do teste de qui-quadrado. Resultados: a prevalência de IA foi de 84,5%, associada a renda insuficiente (p<0,001), número menor a 3 refeições por dia (p:0,002) e relato de não preparo de refeições em casa (p:0,048). Aqueles estudantes que não conseguiam utilizar a cozinha comunitária também tiveram maior proporção de IA (56,3%). Conclusão: além da renda, a ausência de equipamentos básicos que impedem o preparo de refeições tem contribuído para alta prevalência de IA entre moradores do CRUSP, durante a pandemia do COVID-19. A omissão no cuidado a essa população coloca em risco a saúde e qualidade de vida destes estudantes.

Resumo O objetivo deste artigo é identificar fatores associados à hipertensão arterial sistêmica (HAS) não diagnosticada entre adultos mais velhos no Brasil. Foram avaliados 5.416 participantes hipertensos do Estudo Longitudinal da Saúde dos Idosos Brasileiros (ELSI-Brasil). HAS não diagnosticada foi definida como a presença de pressão arterial (PA) ≥140/90 mmHg sem diagnóstico prévio. Regressão logística foi utilizada para verificar fatores associados à HAS não diagnosticada. No estudo, 19,8% dos hipertensos avaliados não relataram diagnóstico prévio de HAS. Ter entre 60 e 69 anos (OR: 0,68, IC95% 0,55-0,85) e 70 e 79 (OR: 0,67, IC95% 0,51-0,89), cor preta (OR: 0,67, IC95% 0,49-0,91), ser obeso (OR: 0,51, IC95% 0,40-0,65), ter uma doença crônica (OR: 0,54, IC95% 0,44-0,66) ou mais (OR: 0,32, IC95% 0,25-0,42) e consultas no último ano (OR: 0,47, IC95% 0,38-0,58) foram fatores associados a menores chances de HAS não diagnosticada, enquanto sexo masculino (OR: 1,27, IC95% 1,05-1,54), baixo peso (OR: 1,33, IC95% 1,00-1,78) e consumo de álcool (OR: 1,36, IC95% 1,09-1,68) elevaram as chances para apresentar a doença não diagnosticada. As características identificadas nesse estudo devem ser observadas em serviços de saúde, ampliando o diagnóstico precoce e prevenindo a progressão da PA e suas futuras consequências.

Resumo Objetivo Analisar a relação das condições de saúde com a mudança de peso entre idosos em um período de dez anos em São Paulo/SP. Métodos Estudo longitudinal que acompanhou (2000-baseline, 2006 e 2010) a mudança do peso corporal (variável desfecho) e condições de saúde associadas (variáveis de exposição) em idosos (n=571); análises de regressão logística multinomial foram empregadas. Resultados O aumento médio de peso no período foi de 29,0%. Perderam peso 34,0% (2006) e 12,5% (2010); e ganharam peso 18,2% (2006) e 39,9% (2010). A prevalência de doenças crônicas aumentou de 34,1% (2000) para 51,9% (2006) e 60,1% (2010). Idosos com aumento de peso avaliaram pior sua saúde geral em 2006 (RR:3,15; IC95% 1,21;8,17) e 2010 (RR:2,46; IC95% 1,02;5,94). Maior número de doenças (RR:2,12; IC95% 1,00;4,46) e internações (RR:3,50; IC95% 1,40;8,72) associaram-se a diminuição de peso em 2010. Conclusão Mudanças de peso estão relacionadas a um pior estado de saúde entre idosos.

To examine changes in body mass index (BMI) among older Brazilian adults and associated factors. Longitudinal, population-based study, conducted in São Paulo, Brazil. Adults aged 60 years or over (n = 1,796) from the first wave of data collection from the Health, Well-Being, and Aging Study (SABE Project) conducted from 2000 to 2010. Repeated mixed-effects linear regression was used to analyze longitudinal changes in BMI and to examine whether sociodemographic characteristics, health conditions, and social behaviors were associated with these changes. Mean BMI decreased after 70 years. Men had lower BMI than women (β = -1.86, 95%CI: -2.35; -1.37). Older adults who consumed alcohol (β = 0.30, 95%CI: 0.06; 0.54), had more than one chronic disease (β = 0.19, 95%CI: 0.26; 0.72) and who did not perform physical activity (β = 0.56, 95%CI: 0.38; 0.74) had higher BMI. Subjects who smoked (β = -0.40, 95%CI: -0.76; -0.04) and who reported having eaten less food in recent months (β = -0.48, 95%CI: -0.71; -0.24) had lower BMI. In older Brazilians, several sociodemographic characteristics, health conditions, and behaviors predict BMI. Increasing prevalence of chronic diseases and growing sedentary behaviors in Brazil may have detrimental effects on BMI at older ages.