Auxílio à Decisão no Diagnóstico do Transtorno do Espectro Autista com M-Health
Resumo
O diagnóstico do Transtorno do Espectro Autista (TEA) é um desafio para profissionais da área médica. O TEA, uma patologia muito comum e incurável, afeta a parte comportamental, social e de comunicação do indivíduo, porém seu diagnóstico é muito difícil e feito apenas por análises comportamentais. Neste trabalho foi desenvolvida uma ferramenta m-health que utiliza aprendizado de máquina para auxílio no diagnóstico do TEA. Para isso foram utilizadas bases de dados contendo resultados da aplicação do teste AQ-10 e outras características que poderiam influenciar o diagnóstico do TEA. Algoritmos de classificação foram aplicados para gerar um modelo preditivo, com o uso da SVM Linear foram obtidos até 100% de precisão.
Palavras-chave:
Diagnóstico do Transtorno do Espectro Autista, Aprendizado de Máquina, M-Health, Algoritmos de Classificação
Referências
Allison, C., Auyeung, B., and Baron-Cohen, S. (2012). Toward Brief “Red Flags” for Autism Screening: The Short Autism Spectrum Quotient and the Short Quantitative Checklist in 1,000 Cases and 3,000 Controls. Journal of the American Academy of Child & Adolescent Psychiatry, 51(2):202–212.
Artoni, A. A. (2020). Aplicação de Aprendizado de Máquina no Auxílio ao Diagnóstico do Transtorno do Espectro Autista. Dissertação de Mestrado em Ciência da Computação, Departamento de Computação, Universidade Estadual de Londrina.
Association, A. P. et al. (2014). DSM-5: Manual Diagnóstico e Estatístico de Transtornos Mentais. Artmed.
Baron-Cohen, S., Wheelwright, S., Skinner, R., Martin, J., and Clubley, E. (2001). The Autism-Spectrum Quotient (AQ): Evidence from Asperger Syndrome/High- Functioning Autism, Males and Females, Scientists and Mathematicians. Journal of Autism and Developmental Disorders, 31(1):5–17.
Bone, D., Goodwin, M. S., Black, M. P., Lee, C.-C., Audhkhasi, K., and Narayanan, S. (2015). Applying Machine Learning to Facilitate Autism Diagnostics: Pitfalls and Promises. Journal of Autism and Developmental Disorders, 45(5):1121–1136.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1):5–32.
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3):273–297.
Didehbani, N., Allen, T., Kandalaft, M., Krawczyk, D., and Chapman, S. (2016). Virtual reality social cognition training for children with high functioning autism. Computers in Human Behavior, 62:703–711.
Durkin, M., Elsabbagh, M., Barbaro, J., Gladstone, M., Happe, F., Hoekstra, R., Lee, L.- C., Rattazzi, A., Stapel-Wax, J., Stone, W., Tager-Flusberg, H., Thurm, A., Tomlinson, M., and Shih, A. (2015). Autism Screening and Diagnosis in Low Resource Settings: Challenges and Opportunities to Enhance Research and Services Worldwide. Autism Research, 8(5):473–476.
Ferreira, R. S. (2010). Autism Testing: Uma Ferramenta Móvel no Auxílio ao Pré- Diagnóstico do Autismo. In XXII Conferência Internacional sobre Informática na Educação, volume 13, pages 178–187, Fortaleza. TISE. Nuevas Ideas en Informática Educativa.
Fuzyi, E. M., Silva, M. C., and Barbon, S. (2015). M-health Solution on Pre-Diagnosis of Larynx. In Annual Conference on Brazilian Symposium on Information Systems: Infor- mation Systems: A Computer Socio-Technical Perspective, SBSI 2015, page 501–508, Porto Alegre, BRA. Brazilian Computer Society.
Genuer, R., Poggi, J.-M., and Tuleau-Malot, C. (2010). Variable selection using Random Forests. Pattern Recognition Letters, 31(14):2225–2236.
Guedes, N. S. P. and Tada, I. N. C. (2015). A Produção Científica brasileira sobre Autismo na Psicologia e na Educação. Psicologia: Teoria e Pesquisa, 31(3):303–309.
Ishak, W. H. W. and Siraj, F. (2002). Artificial Intelligence in Medical Application: an exploration. Health Informatics Europe Journal, v. 16.
Kohavi, R. et al. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Es- timation and Model Selection. In 14th International Joint Conferences on Artificial Intelligence, volume 14, pages 1137–1145, Montreal, Canada.
Lampreia, A. R. S. (2015). Perceções Parentais sobre a Perturbação do Espetro do Au- tismo: processo de diagnóstico, interferência e recursos. Dissertação de Mestrado em Psicologia, Faculdade de Psicologia, Universidade de Lisboa.
Penteado, F. A. O., Salvadeo, D. H. P., Aporta, A. P., Garcia, R. V. B., and Manoni, N. d. V. (2015). Software para Auxílio ao Diagnóstico de Autismo. In VIII Congresso de extensão universitária da UNESP, pages 1–4, São Paulo. Universidade Estadual Paulista Júlio de Mesquita Filho.
Silva, A., Gaiato, M. B., and Reveles, L. T. (2012). Mundo Singular: entenda o autismo. Fontana, Rio de Janeiro.
Thabtah, F. (2017). Autism Spectrum Disorder Screening: Machine Learning Adapta- tion and DSM-5 Fulfillment. In 1st International Conference on Medical and Health Informatics, Taichung, Taiwan. ACM, 1-6.
Wilson, R. and Obimbo, C. (2011). Self-Organizing Feature Maps for User-to-Root and Remote-to-Local Network Intrusion Detection on the KDD Cup 1999 Dataset. 2011 World Congress on Internet Security, pages 42–47.
Xue, M. and Zhu, C. (2009). A Study and Application on Machine Learning of Artificial Intellligence. In International Joint Conference on Artificial Intelligence, pages 272– 274, Pasadena, California, USA. IEEE.
Zanon, R. B., Backes, B., and Bosa, C. A. (2014). Identificação dos Primeiros Sintomas do Autismo pelos Pais. Psicologia: Teoria e Pesquisa, 30(1):25–33.
Zuckerman, K. E., Sinche, B., Mejia, A., Cobian, M., Becker, T., and Nicolaidis, C. (2014). Latino Parents’ Perspectives on Barriers to Autism Diagnosis. Academic pe- diatrics, 14(3):301–308.
Artoni, A. A. (2020). Aplicação de Aprendizado de Máquina no Auxílio ao Diagnóstico do Transtorno do Espectro Autista. Dissertação de Mestrado em Ciência da Computação, Departamento de Computação, Universidade Estadual de Londrina.
Association, A. P. et al. (2014). DSM-5: Manual Diagnóstico e Estatístico de Transtornos Mentais. Artmed.
Baron-Cohen, S., Wheelwright, S., Skinner, R., Martin, J., and Clubley, E. (2001). The Autism-Spectrum Quotient (AQ): Evidence from Asperger Syndrome/High- Functioning Autism, Males and Females, Scientists and Mathematicians. Journal of Autism and Developmental Disorders, 31(1):5–17.
Bone, D., Goodwin, M. S., Black, M. P., Lee, C.-C., Audhkhasi, K., and Narayanan, S. (2015). Applying Machine Learning to Facilitate Autism Diagnostics: Pitfalls and Promises. Journal of Autism and Developmental Disorders, 45(5):1121–1136.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1):5–32.
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3):273–297.
Didehbani, N., Allen, T., Kandalaft, M., Krawczyk, D., and Chapman, S. (2016). Virtual reality social cognition training for children with high functioning autism. Computers in Human Behavior, 62:703–711.
Durkin, M., Elsabbagh, M., Barbaro, J., Gladstone, M., Happe, F., Hoekstra, R., Lee, L.- C., Rattazzi, A., Stapel-Wax, J., Stone, W., Tager-Flusberg, H., Thurm, A., Tomlinson, M., and Shih, A. (2015). Autism Screening and Diagnosis in Low Resource Settings: Challenges and Opportunities to Enhance Research and Services Worldwide. Autism Research, 8(5):473–476.
Ferreira, R. S. (2010). Autism Testing: Uma Ferramenta Móvel no Auxílio ao Pré- Diagnóstico do Autismo. In XXII Conferência Internacional sobre Informática na Educação, volume 13, pages 178–187, Fortaleza. TISE. Nuevas Ideas en Informática Educativa.
Fuzyi, E. M., Silva, M. C., and Barbon, S. (2015). M-health Solution on Pre-Diagnosis of Larynx. In Annual Conference on Brazilian Symposium on Information Systems: Infor- mation Systems: A Computer Socio-Technical Perspective, SBSI 2015, page 501–508, Porto Alegre, BRA. Brazilian Computer Society.
Genuer, R., Poggi, J.-M., and Tuleau-Malot, C. (2010). Variable selection using Random Forests. Pattern Recognition Letters, 31(14):2225–2236.
Guedes, N. S. P. and Tada, I. N. C. (2015). A Produção Científica brasileira sobre Autismo na Psicologia e na Educação. Psicologia: Teoria e Pesquisa, 31(3):303–309.
Ishak, W. H. W. and Siraj, F. (2002). Artificial Intelligence in Medical Application: an exploration. Health Informatics Europe Journal, v. 16.
Kohavi, R. et al. (1995). A Study of Cross-Validation and Bootstrap for Accuracy Es- timation and Model Selection. In 14th International Joint Conferences on Artificial Intelligence, volume 14, pages 1137–1145, Montreal, Canada.
Lampreia, A. R. S. (2015). Perceções Parentais sobre a Perturbação do Espetro do Au- tismo: processo de diagnóstico, interferência e recursos. Dissertação de Mestrado em Psicologia, Faculdade de Psicologia, Universidade de Lisboa.
Penteado, F. A. O., Salvadeo, D. H. P., Aporta, A. P., Garcia, R. V. B., and Manoni, N. d. V. (2015). Software para Auxílio ao Diagnóstico de Autismo. In VIII Congresso de extensão universitária da UNESP, pages 1–4, São Paulo. Universidade Estadual Paulista Júlio de Mesquita Filho.
Silva, A., Gaiato, M. B., and Reveles, L. T. (2012). Mundo Singular: entenda o autismo. Fontana, Rio de Janeiro.
Thabtah, F. (2017). Autism Spectrum Disorder Screening: Machine Learning Adapta- tion and DSM-5 Fulfillment. In 1st International Conference on Medical and Health Informatics, Taichung, Taiwan. ACM, 1-6.
Wilson, R. and Obimbo, C. (2011). Self-Organizing Feature Maps for User-to-Root and Remote-to-Local Network Intrusion Detection on the KDD Cup 1999 Dataset. 2011 World Congress on Internet Security, pages 42–47.
Xue, M. and Zhu, C. (2009). A Study and Application on Machine Learning of Artificial Intellligence. In International Joint Conference on Artificial Intelligence, pages 272– 274, Pasadena, California, USA. IEEE.
Zanon, R. B., Backes, B., and Bosa, C. A. (2014). Identificação dos Primeiros Sintomas do Autismo pelos Pais. Psicologia: Teoria e Pesquisa, 30(1):25–33.
Zuckerman, K. E., Sinche, B., Mejia, A., Cobian, M., Becker, T., and Nicolaidis, C. (2014). Latino Parents’ Perspectives on Barriers to Autism Diagnosis. Academic pe- diatrics, 14(3):301–308.
Publicado
30/06/2020
Como Citar
ARTONI, Arthur; OLIVEIRA, Bruno ; DE BARBOSA, Cinthyan Sachs.
Auxílio à Decisão no Diagnóstico do Transtorno do Espectro Autista com M-Health. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 47. , 2020, Cuiabá.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 37-47.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2020.11315.
