Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
Resumo: Mesmo com os constantes avanços da medicina, o diagnóstico de transtornos mentais é um desafio para profissionais da área Dentre esses está o Transtorno do Espectro Autista (TEA), que é uma patologia muito comum que afeta a parte comportamental, social e de comunicação do indivíduo Porém ide...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Institución: | Universidade Estadual de Londrina (UEL) |
| Repositorio: | Repositório Institucional da UEL |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.uel.br:123456789/8994 |
| Acceso en línea: | https://repositorio.uel.br/handle/123456789/8994 |
| Access Level: | acceso abierto |
| Palabra clave: | Computação Aprendizado do computador Transtornos do espectro autista Diagnóstico Computer science Machine learning Autism spectrum disorders Autism spectrum disorders - Diagnosis |
| Sumario: | Resumo: Mesmo com os constantes avanços da medicina, o diagnóstico de transtornos mentais é um desafio para profissionais da área Dentre esses está o Transtorno do Espectro Autista (TEA), que é uma patologia muito comum que afeta a parte comportamental, social e de comunicação do indivíduo Porém identificá-lo é complexo, uma vez que não existem exames de imagens ou de sangue capazes de apontar o TEA e seu diagnóstico é feito apenas por análise comportamental Diversas técnicas podem ser utilizadas, como o uso de escalas diagnósticas que contém questionários específicos formulados por especialistas, que servem como guia no processo de diagnóstico Neste trabalho o Aprendizado de Máquina (AM) foi empregado em três bases de dados contendo resultados dos testes AQ-1 para adultos, adolescentes e crianças; além de outras características que poderiam influenciar no diagnóstico do TEA Experimentos foram realizados nas bases de dados a fim de elencar quais atributos seriam realmente relevantes para o diagnóstico do TEA utilizando AM Para a seleção dos atributos, a Random Forest foi utilizada como ferramenta para fazer um ranqueamento de 23 atributos presentes na base Em duas das três bases de dados foi possível reduzir o número de atributos para apenas 5, mantendo uma Acurácia acima de 9 Na outra Base de Dados para manter o mesmo nível de Acurácia, o menor número de atributos utilizado foi 7 A Suport Vector Machine se destacou dos demais algoritmos usados neste trabalho, obtendo resultados superiores em todos os cenários |
|---|