Aplicação de Árvore de Decisão para Auxı́lio ao Diagnóstico do Transtorno do Espectro Autista
Resumo
Algoritmos de aprendizado de máquina estão sendo aplicados com sucesso em diversas áreas do conhecimento. No campo da saúde, estes algoritmos abrem espaço para que profissionais possam ser auxiliados a diagnosticar doenças e transtornos antecipadamente e com maior precisão, contribuindo no tratamento eficaz de seus pacientes. Neste contexto, o algoritmo de Árvore de Decisão utilizado neste artigo se propõe a construir um modelo capaz de simplificar um conjunto complexo de decisões e produzir uma estratégia a partir de uma base de dados pública e internacional sobre o Transtorno do Espectro Autista (TEA), permitindo desenvolver um complemento no seu diagnóstico e possı́vel tratamento.
Referências
APA, A. P. A. (2014). DSM-5 - Manual Diagnóstico e Estatı́stico de Transtornos Mentais. Artmed.
Ishwaran, H. (2015). The effect of splitting on random forests. Machine Learning, 99(1):75–118.
Liu, W., Li, M., and Yi, L. (2016). Identifying children with autism spectrum disorder based on their face processing abnormality: A machine learning framework. Autism Research, 9(8):888–898.
One, A. and Two, A. (2019). Análise de desempenho com redes neurais artificiais, arquiteturas MLP e RBF para um problema de classificação de crianças com autismo. iSys-Brazilian Journal of Information Systems, 12(1).
Rezende, S. O., Monard, M. C., and Carvalho, A. C. P. d. L. (1999). Sistemas inteligentes para engenharia: pesquisa e desenvolvimento. Anais III Workshop de Sistemas Inteligentes para Engenharia.
Safavian, S. R. and Landgrebe, D. (1991). A survey of decision tree classifier methodo-logy. IEEE transactions on systems, man, and cybernetics, 21(3):660–674.
Speaks, A. (2019). Autism speaks. https://www.autismspeaks.org/. Acesso em: 05/04/2019.
Thabtah, F. F. (2017). Autistic spectrum disorder screening data for children data set. https://archive.ics.uci.edu/ml/datasets/Autistic+Spectrum+Disorder+Screening+Data+for+Children++. Acesso em: 08/07/2019.
Ishwaran, H. (2015). The effect of splitting on random forests. Machine Learning, 99(1):75–118.
Liu, W., Li, M., and Yi, L. (2016). Identifying children with autism spectrum disorder based on their face processing abnormality: A machine learning framework. Autism Research, 9(8):888–898.
One, A. and Two, A. (2019). Análise de desempenho com redes neurais artificiais, arquiteturas MLP e RBF para um problema de classificação de crianças com autismo. iSys-Brazilian Journal of Information Systems, 12(1).
Rezende, S. O., Monard, M. C., and Carvalho, A. C. P. d. L. (1999). Sistemas inteligentes para engenharia: pesquisa e desenvolvimento. Anais III Workshop de Sistemas Inteligentes para Engenharia.
Safavian, S. R. and Landgrebe, D. (1991). A survey of decision tree classifier methodo-logy. IEEE transactions on systems, man, and cybernetics, 21(3):660–674.
Speaks, A. (2019). Autism speaks. https://www.autismspeaks.org/. Acesso em: 05/04/2019.
Thabtah, F. F. (2017). Autistic spectrum disorder screening data for children data set. https://archive.ics.uci.edu/ml/datasets/Autistic+Spectrum+Disorder+Screening+Data+for+Children++. Acesso em: 08/07/2019.
Publicado
26/12/2019
Como Citar
FROTA, Matheus; VILELA, Manoel ; HERICLES, Samuel ; AGUIAR, Gerônimo ; RENOIR, Pedro; NUNES, Rayon ; GOMES, Denilson ; CAVALCANTE, Iális .
Aplicação de Árvore de Decisão para Auxı́lio ao Diagnóstico do Transtorno do Espectro Autista. In: ESCOLA REGIONAL DE COMPUTAÇÃO APLICADA À SAÚDE (ERCAS), 7. , 2019, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 205-210.
