Aproximadamente 830 mulheres morrem diariamente de causas relacionadas a gravidez e ao trabalho de parto. A pré-eclâmpsia é uma condição de saúde que lidera as causas mundiais de morbimortalidade materna e neonatal e está associada a um estado pró-inflamatório do organismo. Por sua vez, estados pró-inflamatórios podem ser associados a distúrbios do ciclo sono-vigília. A polissonografia (PSG) é considerada o padrão ouro para determinação objetiva das características de sono-vigília de indivíduos. Devido a sua complexidade de configuração, uso de pessoal especializado e alto custo de operação, seu uso se torna restrito. Existem alternativas à PSG, sendo elas medidas subjetivas: entrevistas clínicas, questionários validados e diários de sono. Devido aos pontos fracos das medidas subjetivas, há apenas uma correlação moderada entre elas e a PSG. Assim, outra medida objetiva cada vez mais utilizada para obter informações do ciclo sono-vigília é a actigrafia. Consideramos a hipótese de que estados inflamatórios da gestação podem estar associados a alterações no padrão de sono de mulheres gestantes. O presente estudo objetiva treinar algoritmos de Aprendizado de Máquina (AM) para prever a ocorrência de pré-eclâmpsia em gestantes. Foram analisados os dados do projeto Maternal Actigraphy Exploratory Study I (MAES-I), uma coorte prospectiva multicêntrica na qual as participantes poderiam ser incluídas entre a 19o e 21o semana de gestação e deveriam utilizar um dispositivo de actigrafia desde a inclusão até o parto. O estudo inicialmente contou com 400 mulheres, mas após a aplicação de critérios de exclusão o número foi reduzido para 302 participantes, resultando em 29.630 noites de dados de actigrafia. Os dados brutos de actigrafia foram processados com o pacote GGIR do R, abrangendo aspectos do sono e atividade diurna, como horários de dormir e acordar, tempo total na cama, e períodos de inatividade. Os dados clínicos incluíram variáveis como etnia, idade, estado civil, escolaridade e histórico de gravidez. Como comparação para o treinamento, foram utilizadas duas versões de bases de dados: uma combinando informações clínicas e de actigrafia e outra exclusivamente com dados de actigrafia. Para a análise, empregou-se o software WEKA, que fornece uma ampla gama de ferramentas e algoritmos de aprendizado de máquina. O treinamento dos classificadores utilizou a técnica de K-Fold Cross Validation, com k=10, uma abordagem que permite uma avaliação mais robusta e menos enviesada do desempenho do modelo. Destaca-se a necessidade de cautela na interpretação dos dados de actigrafia, dada a complexidade e as limitações inerentes ao método, como a interpretação de padrões movimentação de gestantes. Salienta-se a relevância do equilíbrio de classes em problemas de classificação no AM e a necessidade de validação específica para dispositivos de actigrafia e populações específicas. Conclui-se que apenas os dados de actigrafia não são suficientes para um treinamento satisfatório dos algoritmos utilizados, sendo necessário abordagens mais aprofundadas e a utilização de dados brutos para futuras análises de AM, bem como a necessidade de estudos adicionais envolvendo o uso simultâneo de actigrafia e polissonografia. Por outro lado, associando os dados clínicos aos dados de actigrafia, obtém-se boas medidas de desempenho dos classificadores, especialmente com os Random Forest, IBk com KNN = 1 e IBk com KNN = 3. Este trabalho representa um passo significativo na compreensão da actigrafia em gestantes, ressaltando o potencial do aumento do poder computacional na pesquisa e na prática clínica.

Approximately 830 women die daily from causes related to pregnancy and childbirth. Pre-eclampsia is a health condition that leads global causes of maternal and neonatal morbidity and mortality and is associated with a pro-inflammatory state of the body. In turn, pro-inflammatory states can be associated with disturbances in the sleep-wake cycle. Polysomnography (PSG) is considered the gold standard for objective determination of sleep-wake characteristics in individuals. Due to its complexity of setup, use of specialized personnel, and high operational cost, its use is restricted. There are alternatives to PSG, which are subjective measures: clinical interviews, validated questionnaires, and sleep diaries. Due to the weaknesses of subjective measures, there is only a moderate correlation between them and PSG. Thus, another increasingly used objective measure to obtain sleep-wake cycle information is actigraphy. We hypothesize that inflammatory states of pregnancy may be associated with alterations in the sleep pattern of pregnant women. The present study aims to train Machine Learning (ML) algorithms to predict the occurrence of pre-eclampsia in pregnant women. Data from the Maternal Actigraphy Exploratory Study I (MAES-I), a prospective multicentric cohort in which participants could be included between the 19th and 21st week of pregnancy and were to use an actigraphy device from inclusion until childbirth, were analyzed. The study initially had 400 women, but after the application of exclusion criteria, the number was reduced to 302 participants, resulting in 29,630 nights of actigraphy data. The raw actigraphy data were processed with the R package GGIR, covering aspects of sleep and daytime activity, such as sleeping and waking times, total time in bed, and periods of inactivity. Clinical data included variables such as ethnicity, age, marital status, education, and pregnancy history. For comparison in training, two versions of databases were used: one combining clinical and actigraphy information and another exclusively with actigraphy data. For analysis, the WEKA software was used, which provides a wide range of tools and ML algorithms. The training of the classifiers used the K-Fold Cross Validation technique with k=10, an approach that allows a more robust and less biased evaluation of model performance. The need for caution in the interpretation of actigraphy data is highlighted, given the complexity and inherent limitations of the method, such as the interpretation of pregnant women's movement patterns. The relevance of class balance in ML classification problems and the need for specific validation for actigraphy devices and specific populations are emphasized. It is concluded that actigraphy data alone are not sufficient for satisfactory training of the algorithms used, requiring more in-depth approaches and the use of raw data for future ML analyses, as well as the need for additional studies involving the simultaneous use of actigraphy and polysomnography. On the other hand, by associating clinical data with actigraphy data, good performance measures of the classifiers are obtained, especially with the Random Forest, IBk classifier with KNN = 1 and with KNN = 3. This work represents a significant step in understanding actigraphy in pregnant women, highlighting the potential of increasing computational power in research and clinical practice.