Objetivo: Esta tese é apresentada no formato de quatro artigos científicos, que estão articulados em torno do objetivo geral, que foi analisar o declínio da mobilidade funcional e a mortalidade em idosos residentes no município de São Paulo. O primeiro artigo identificou os fatores associados ao declínio da mobilidade funcional em idosos ao longo de 15 anos de acompanhamento. O segundo analisou a sobrevida dos idosos por 10 anos de acordo com a mobilidade funcional por meio de regressões de Cox, tendo como desfecho o óbito por todas as causas e as principais causas específicas. O terceiro artigo testou a performance de algoritmos de machine learning na predição de óbito por causas específicas, utilizando como preditores testes de desempenho físico, variáveis de saúde e características sociodemográficas. O quarto artigo analisou a performance dos algoritmos de machine learning para predizer declínio funcional em tarefas de mobilidade. Métodos: Os dados utilizados nas análises dos quatro artigos foram provenientes do Estudo Saúde, Bem-Estar e Envelhecimento (SABE), de múltiplas coortes e representativo para a população de residentes do município de São Paulo com idade igual ou superior a 60 anos. No primeiro artigo, foi realizada uma análise seriada de regressões multinível das quatro ondas do estudo, ocorridas em 2000, 2006, 2010 e 2015, com o objetivo de analisar a prevalência de limitação na mobilidade e as diferenças entre as ondas. Foram ajustadas, também, regressões logísticas separadas para cada onda, para analisar os fatores associados ao declínio da mobilidade. O segundo artigo utilizou regressões de Cox para analisar o tempo até o óbito por todas as causas e por causas específicas, de acordo com a condição de mobilidade, avaliada por dois testes (velocidade da marcha e o teste de levantar e sentar 5 vezes). Para o terceiro artigo, aprovado para publicação na revista Age and Ageing, foi realizada uma predição multinomial com cinco categorias: óbito por doenças do aparelho circulatório, óbito por doenças do aparelho respiratório, óbito por neoplasias, óbito por outras causas específicas e não óbito. Algoritmos preditivos de machine learning foram treinados em 70% da amostra, e em seguida testados nos 30% restantes. No quarto artigo foram utilizados algoritmos de machine learning para predizer a dificuldade na realização de tarefas de mobilidade, como caminhar, subir escadas, agachar e ajoelhar e carregar objetos. Nos dois últimos artigos, a capacidade preditiva dos modelos foi testada por meio da área abaixo da curva ROC, além de outras métricas como a sensibilidade e especificidade. Resultados: O primeiro artigo encontrou um aumento da prevalência de limitação na mobilidade após o ano 2000, mesmo após o ajuste por outros fatores. Foram também verificadas associações do declínio da mobilidade com condições crônicas de saúde e aspectos socioeconômicos. O segundo artigo identificou que o teste de levantar e sentar apresentou associação mais consistente com a mortalidade (HR=1.03, IC95%1.00-1.05) do que a velocidade da marcha. Além disso, indivíduos com imobilidade apresentaram um risco aumentado de morrer por todas as causas (HR=1.71, IC95%1.21-2.42) e por doenças do aparelho circulatório (HR=2.14, IC95%1.25-3.65). No terceiro artigo, o desfecho em que os algoritmos apresentaram melhor poder preditivo foi a mortalidade por doenças do aparelho respiratório (AUC-ROC=0.89). Os algoritmos com melhor desempenho foram o light gradient boosted machine e extreme gradient boosting. No quarto artigo, o random forest foi o algoritmo com melhor performance e os desfechos com as melhores performances preditivas foram a dificuldade de agachar e ajoelhar (AUC-ROC: 0.81) e carregar pesos (AUC-ROC: 0.80). Conclusão: Os resultados da tese trazem novas evidências acerca do declínio da mobilidade funcional e mortalidade de pessoas idosas no Brasil. Além disso, demonstrou que algoritmos preditivos de machine learning podem ser ferramentas importantes para o rastreio de idosos em risco de desfechos negativos e o estabelecimento de medidas preventivas personalizadas.

Objective: This thesis is presented in the format of four articles articulated around the general objective, which was to analyze the functional mobility decline and mortality in older residents from the municipality of São Paulo. The first article identified the associated factors of the decline in functional mobility in older adults over a 15-year follow-up. The second analyzed the 10-years mortality from all-cause and the main specific causes of death in older individuals according to functional mobility by Cox regression models. The third article tested the performance of machine learning algorithms in predicting death from specific causes, using physical performance tests, health and sociodemographic features as predictors. The fourth article analyzed the performance of machine learning algorithms to predict functional decline in mobility tasks. Methods: The data used in the four articles analysis were from the Health, Well-Being, and Aging (SABE) Study, characterized by multiple cohorts and by a representative sample of the older residents from the municipality of São Paulo, aged 60 years and over. In the first article, we performed serial analysis of multilevel regressions of the four waves of the study, collected in 2000, 2006, 2010, and 2015, with the aim of analyzing the prevalence of limitation in mobility and the differences between the waves. Separate logistic regressions were also adjusted for each wave, to analyze the factors associated with the mobility decline. The second article used Cox regressions to analyze the time to all-cause and specific-cause of death, according to the mobility condition, assessed by two tests (gait speed and the 5 times chair stand test). For the third article, approved for publication in the journal Age and Ageing, a multinomial prediction was made with five categories: death from diseases of the circulatory system, death from diseases of the respiratory system, death from neoplasms, death from other specific causes and non-death. Predictive machine learning algorithms were trained in 70% of the sample, and then tested in the remaining 30%. In the fourth article, machine learning algorithms were used to predict the difficulty in performing mobility tasks, such as walking, climbing stairs, crouching and kneeling and carrying objects. In the last two articles, the predictive performance of the models was tested using the area under ROC curve, in addition to other metrics, such as sensitivity and specificity. Results: The first article found an increase in the prevalence of mobility limitations after the year 2000, even after adjusting for other factors. Associations between the decline in mobility with chronic health conditions and socioeconomic aspects were also verified. The second article identified that the stand-up test presented a more consistent association with mortality (HR = 1.03, 95% CI 1.00-1.05) than gait speed. In addition, individuals with immobility had an increased risk of dying from all causes (HR = 1.71, 95% CI 1.21-2.42) and from diseases of the circulatory system (HR = 2.14, 95% CI 1.25-3.65). In the third article, the outcome which the best performance of the algorithms was mortality from diseases of the respiratory system (AUC-ROC = 0.89). The algorithms with best performance were the light gradient boosted machine and extreme gradient boosting. In the fourth article, the random forest presented the best performance and the outcomes with the best predictions were the difficulty of stooping, crouching or kneeling (AUC-ROC: 0.81) and carrying weights (AUC-ROC: 0.80). Conclusion: The results bring new evidence about the decline in functional mobility and mortality of older people in Brazil. In addition, it demonstrated that predictive machine learning algorithms could be important tools to screen older adults at risk of poor outcomes and could help to assign personalized preventive interventions.