Biblioteca Digital de Teses e Dissertações

Título: Um Modelo Híbrido em Aprendizagem de Máquina e Análise Verbal de Decisão Aplicado ao Diagnóstico de Autismo
Autor: Andrade, Evandro Carvalho De
Programa: Mestrado Em Informática Aplicada
Data da defesa: 30/10/2020

Orientador:
Pinheiro, Placido Rogerio

Banca examinadora:
Nunes, Luciano Comin
Simao Filho, Marum
Thomaz, Antonio Clecio Fontelles

Resumo: A aplicação de modelos de Aprendizagem de Máquina (AM) pode otimizar e tornar mais preciso o processo de diagnóstico do Transtorno do Espectro Autista (TEA), ajustando os dados e reduzindo, em muitos casos, o número de critérios clínicos necessários para avaliação médica, denotando uma forma eficiente de engenharia de atributos. Neste contexto, o presente estudo propõe uma abordagem híbrida, estruturada na composição de algoritmos de Aprendizagem de Máquina associados, a um método multicritério de apoio à decisão baseado na metodologia de Análise Verbal de Decisão (AVD), visando à descoberta de conhecimentos e conceitos seguida de refinamento dos resultados. Entretanto, na busca por um melhor desempenho para a precisão e celeridade no diagnóstico, faz-se necessária a comparação de algoritmos de AM que melhor atendem a essa demanda. Importante ressaltar que o TEA se refere a distúrbios do neurodesenvolvimento mental que afetam milhões de pessoas em todo o mundo. Em crianças, a prevalência é maior em meninos e se estima que uma em cada 160(cento e sessenta) crianças tenha algum traço pertencente ao espectro autista. Diversos protocolos e manuais padronizam as informações utilizadas na detecção correta e eficaz do TEA. Entre os mais utilizados, podem ser citados o Manual Diagnóstico e Estatístico de Transtornos Mentais, 5ª Edição (DSM-5), da Associação Americana de Psiquiatria; o Cronograma de Observação Diagnóstica de Autistas ¿ Revisada (ODA-R); a Entrevista Diagnóstica Autista (EDA); e a Classificação Internacional de Doenças, 10ª edição (CID-10), publicada pela Organização Mundial da Saúde (OMS), adotada no Brasil pelo Sistema Único de Saúde (SUS) e pelo Instituto Nacional do Seguro Social (INSS). Enfatiza-se, portanto, que o modelo híbrido proposto nesta pesquisa está estruturado na justaposição de algoritmos de Aprendizagem de Máquina, associado a um método multicritério de AVD, direcionado a explorar o poder preditivo de dados específicos deste estudo, a partir de um grande conjunto de informações bem definidas, para aperfeiçoar e otimizar os modelos de diagnóstico do TEA. Dessa forma, o modelo propiciará uma melhor acurácia ao diagnóstico buscado, pela observação clínica de uma sintomática menor, com a redução obtida de 89% de características a serem avaliadas por um perito médico, em uma Avaliação Médica do BPC/LOAS, para o diagnóstico do TEA, em crianças de 0 (zero) a 5 (cinco) anos, em todo o território nacional. A base de dados do estudo abrange milhares de casos de crianças diagnosticadas com TEA, por meio da Avaliação Médica do Benefício de Prestação Continuada/Lei Orgânica da Assistência Social (BPC/LOAS) do INSS. Palavras-chave: Transtorno do Espectro Autista, Aprendizagem de Máquina, Análise de Decisão Verbal, Modelo Híbrido, Otimização de Diagnóstico Médico.

Abstract: The application of Machine Learning (ML) models can optimize and make the diagnosis process of Autistic Spectrum Disorder (ASD) more precise, adjusting the data and reducing, in many cases, the number of clinical criteria necessary for medical evaluation, denoting an efficient form of attribute engineering. In this context, this study proposes a hybrid approach, structured in the composition of Machine Learning algorithms associated with a multicriteria decision support method based on the Verbal Decision Analysis (VDA) methodology, aiming at the discovery of knowledge and concepts followed refinement of results. However, in the search for better performance for the accuracy and speed of diagnosis, it is necessary to compare ML algorithms that best meet this demand. It is important to note that ASD refers to mental neurodevelopmental disorders that affect millions of people worldwide. In children, the prevalence is higher in boys and it is estimated that one in 160 (one hundred and sixty) children has some trait belonging to the autistic spectrum. Several protocols and manuals standardize the information used in the correct and effective detection of ASD. Among the most used, the Diagnostic and Statistical Manual of Mental Disorders, 5th Edition (DSM-5), from the American Psychiatric Association; the Chronogram of Diagnostic Observation of Autistic - Revised (ADOS-R); the Autistic Diagnostic Interview (ADI); and the International Classification of Diseases, 10th edition (ICD-10), published by the World Health Organization (WHO), adopted in Brazil by the Unified Health System (UHS) and the National Institute of Social Security (NISS). It is emphasized, therefore, that the hybrid model proposed in this research is structured in the juxtaposition of Machine Learning algorithms, associated with a multicriteria method of VDA, aimed at exploring the predictive power of specific data of this study, from a large set well-defined information to improve and optimize the ASD diagnostic models. Thus, the model will provide a better accuracy to the diagnosis sought, through clinical observation of a minor symptom, with the 89% reduction of characteristics to be evaluated by a medical expert, in a BPC/LOAS Medical Evaluation, for the diagnosis of ASD, in children from 0 (zero) to 5 (five) years, throughout the territory national. The study's database covers thousands of cases of children diagnosed with ASD, through the ¿Avaliação Médica do Benefício de Prestação Continuada/Lei Orgânica da Assistência Social (BPC/LOAS) do INSS¿. Keywords: Autistic Spectrum Disorder, Machine Learning, Verbal Decision Analysis, Hybrid Model, Medical Diagnostic Optimization.