Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista

Detalhes bibliográficos
Autor(a) principal: Artoni, Arthur Alexandre
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UEL
Texto Completo: https://repositorio.uel.br/handle/123456789/8994
Resumo: 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
id UEL_cbde431fe75ee4f6f9b137c3a88c9bbc
oai_identifier_str oai:repositorio.uel.br:123456789/8994
network_acronym_str UEL
network_name_str Repositório Institucional da UEL
repository_id_str
spelling Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autistaComputaçãoAprendizado do computadorTranstornos do espectro autistaTranstornos do espectro autistaDiagnósticoComputer scienceMachine learningAutism spectrum disordersAutism spectrum disorders - DiagnosisResumo: 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 cenáriosDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da ComputaçãoAbstract: Despite the medicine constant advancement, mental disorder diagnosis is a challenge for medical professionals Autism Spectrum Disorder (ASD) is one of the most common pathologies affecting the patient’s behavioral, social and communication skills and its identification is complex because there are no images or blood tests available for ASD diagnosis, only through behavioral analysis Several techniques, such as the use of diagnostic scales with specific questionnaires are made by specialists as a guide in the diagnostic process In this work, Machine Learning (ML) was used in three datasets containing AQ-1 test results for adults, adolescents and children, and other characteristics that could influence the diagnosis of ASD Experiments were performed using databases in order to determine what attributes are really relevant for an ASD diagnosis using ML In order to select the attributes, the Random Forest was used to build a ranking of 23 attributes present in the database In two of the three databases, it was possible to reduce the number of attributes to only 5, keeping an accuracy above 9 In the other Database to maintain the same level of Accuracy, the lowest number of attributes used was 7 The Support Vector Machine stood out from the other algorithms used in this work, obtaining superior results in all scenariosBarbosa, Cinthyan Renata Sachs Camerlengo de [Orientador]Morandini, MarceloBaccarin, EvandroCampos, Vitor Valério de SouzaArtoni, Arthur Alexandre2024-05-01T11:46:10Z2024-05-01T11:46:10Z2020.0027.02.2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://repositorio.uel.br/handle/123456789/8994porMestradoCiência da ComputaçãoCentro de Ciências ExatasPrograma de Pós-Graduação em Ciência da ComputaçãoLondrinareponame:Repositório Institucional da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess2024-07-12T04:20:00Zoai:repositorio.uel.br:123456789/8994Biblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:20Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false
dc.title.none.fl_str_mv Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
spellingShingle Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
Artoni, Arthur Alexandre
Computação
Aprendizado do computador
Transtornos do espectro autista
Transtornos do espectro autista
Diagnóstico
Computer science
Machine learning
Autism spectrum disorders
Autism spectrum disorders - Diagnosis
title_short Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_full Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_fullStr Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_full_unstemmed Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_sort Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
author Artoni, Arthur Alexandre
author_facet Artoni, Arthur Alexandre
author_role author
dc.contributor.none.fl_str_mv Barbosa, Cinthyan Renata Sachs Camerlengo de [Orientador]
Morandini, Marcelo
Baccarin, Evandro
Campos, Vitor Valério de Souza
dc.contributor.author.fl_str_mv Artoni, Arthur Alexandre
dc.subject.por.fl_str_mv Computação
Aprendizado do computador
Transtornos do espectro autista
Transtornos do espectro autista
Diagnóstico
Computer science
Machine learning
Autism spectrum disorders
Autism spectrum disorders - Diagnosis
topic Computação
Aprendizado do computador
Transtornos do espectro autista
Transtornos do espectro autista
Diagnóstico
Computer science
Machine learning
Autism spectrum disorders
Autism spectrum disorders - Diagnosis
description 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
publishDate 2024
dc.date.none.fl_str_mv 2020.00
2024-05-01T11:46:10Z
2024-05-01T11:46:10Z
27.02.2020
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.uel.br/handle/123456789/8994
url https://repositorio.uel.br/handle/123456789/8994
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Mestrado
Ciência da Computação
Centro de Ciências Exatas
Programa de Pós-Graduação em Ciência da Computação
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv Londrina
dc.source.none.fl_str_mv reponame:Repositório Institucional da UEL
instname:Universidade Estadual de Londrina (UEL)
instacron:UEL
instname_str Universidade Estadual de Londrina (UEL)
instacron_str UEL
institution UEL
reponame_str Repositório Institucional da UEL
collection Repositório Institucional da UEL
repository.name.fl_str_mv Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)
repository.mail.fl_str_mv bcuel@uel.br||
_version_ 1809823275580129280

Registros relacionados