SunflowerCare: Um Sistema Web Inteligente para Apoio ao Acompanhamento Terapêutico de Crianças com TEA

• Emanuel Dantas Filho IFPE / LIS
• Danyllo Wagner Albuquerque IFPB / LIS
• Ademar Sousa Escola Estadual Rui Barbosa
• Francisco Almeida Lucas IFPE / LIS
• Karolynne Susan Freire IFPE / LIS
• Ian Ribeiro dos Santos IFPE / LIS

DOI: https://doi.org/10.5753/semish.2026.21307

Resumo

O Transtorno do Espectro Autista (TEA) demanda acompanhamento contínuo e individualizado, o que torna relevante sistematizar intervenções e monitorar a evolução do paciente ao longo do tempo. Este trabalho apresenta o SunflowerCare, um sistema web que apoia o registro estruturado de sessões, a organização de atividades e o acompanhamento longitudinal do progresso de crianças com TEA. A plataforma incorpora um módulo de recomendação baseado em Machine Learning, inicialmente treinado com o dataset MMASD, para sugerir categorias de atividades alinhadas ao perfil e ao desempenho do paciente. A avaliação foi conduzida por especialistas, por meio de um instrumento baseado no Modelo de Aceitação de Tecnologia (TAM), complementado pelo julgamento clínico quanto à adequação das recomendações geradas. Os resultados indicam uma percepção positiva quanto à utilidade e à facilidade de uso do sistema, além de avaliações favoráveis quanto à pertinência terapêutica das recomendações, sugerindo a viabilidade da integração de mecanismos inteligentes em plataformas digitais de apoio ao acompanhamento terapêutico no contexto do TEA.

Referências

American Psychiatric Association (2013). Diagnostic and Statistical Manual of Mental Disorders (DSM-5). American Psychiatric Publishing, Washington, DC.

Boucenna, S. et al. (2014). Interactive technologies for autistic children: A review. Cognitive Computation, 6(4):722–740.

Breiman, L. (2001). Random Forests. Machine Learning, 45(1):5–32.

Breiman, L., Friedman, J., Stone, C. J., and Olshen, R. A. (1984). Classification and Regression Trees. Wadsworth International Group, Belmont, CA.

Chen, Z. S., Galatzer-Levy, I. R., Bigio, B., Nasca, C., Zhang, Y., et al. (2022). Modern views of machine learning for precision psychiatry. Patterns, 3(11).

Dantas, E., Albuquerque, D., Neto, A. S., Fonseca, A. V., and Rocha, I. M. (2025). Uma revisao da literatura sobre tecnologias assistivas para apoiar estudantes com tea no ensino superior. In Workshop sobre Educação em Computação (WEI), pages 113–124. SBC.

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3):319–340.

Dawson, G. (2010). Early behavioral intervention, brain plasticity, and the prevention of autism spectrum disorder. Development and Psychopathology, 20(3):775–803.

Dias, J. L. B., Martins, M. P. B., Coelho, L. F., da Silva, P. H. C. L., de Lima, T. d. S. B., de Faria, I. A. F. K., Maggi, F., de Sá Oliveira, L. D., de Souza Silva, I. A., Cutrim, D. M., et al. (2024). Intervenções terapêuticas multimodais no transtorno do espectro autista: Impactos no desenvolvimento cognitivo e social. Revista Ibero-Americana de Humanidades, Ciências e Educação, 10(12):2285–2295.

dos Anjos, F. M., Oliveira, L. W., Souza, C. H. R., and Carvalho, S. T. (2022). Aplicaçoes de técnicas de machine learning e gamificaçao no autocuidado em saude: Uma revisao sistemática. Simpósio Brasileiro de Jogos e Entretenimento Digital (SBGames), pages 1376–1380.

Estes, A. et al. (2015). Long-term outcomes of early intervention in 6-year-old children with autism spectrum disorder. Journal of the American Academy of Child Adolescent Psychiatry, 54(7):580–587.

Freres, S. C., Batista, I. B. M., Antônio, E. R., Brilhante, D. F. M., Brilhante, D. F. M., Carneiro, I. C., de Castro Roveda, P., Franchi, A. P. A., Haddad, F. H., da Silva, L. A., et al. (2025). Transtorno do espectro autista: Aspectos clínicos, diagnósticos e abordagens terapêuticas atuais. Brazilian Journal of Implantology and Health Sciences, 7(12):563–574.

Lord, C., Elsabbagh, M., Baird, G., and Veenstra-Vanderweele, J. (2020). Autism spectrum disorder. The Lancet, 392(10146):508–520.

Lovaas, O. I. (1987). Behavioral treatment and normal educational and intellectual functioning in young autistic children. Journal of Consulting and Clinical Psychology, 55(1):3–9.

Mueller, S. et al. (2021). Machine learning in autism spectrum disorder: a systematic review. NeuroImage: Clinical, 31:102708.

Oliveira, J. S., Almeida, T. P., and Gomes, A. C. (2021). Theraapp: plataforma web para gerenciamento de atividades terapêuticas de crianças com tea. In Anais do XLVII SEMISH, Brasília, DF. SBC.

Preece, J., Sharp, H., and Rogers, Y. (2018). Assistive Technology: Principles and Applications for Communication and Learning. Springer, Cham, Switzerland.

Rahman, M., Kwon, J., Williams, E., Pagan, S., et al. (2023). MMASD: A Multimodal Dataset for Autism Therapy and Assessment. arXiv preprint arXiv:2306.08243.

Sandgreen, H., Frederiksen, L. H., and Bilenberg, N. (2021). Digital interventions for autism spectrum disorder: A meta-analysis. Journal of Autism and Developmental Disorders, 51(9):3138–3152.

Sendak, M. P. et al. (2020). A path for translation of machine learning products into healthcare delivery. EMJ Innovations, 4(1):23–29.

Silva, R. P., Lima, M. A., and Souza, L. F. (2020). Aba monitor: aplicação móvel para registro e acompanhamento terapêutico de crianças com tea. In Anais do XLVI SEMISH, Porto Alegre, RS. SBC.

Simeoli, R., Rega, A., Cerasuolo, M., Nappo, R., and Marocco, D. (2024). Using machine learning for motion analysis to early detect autism spectrum disorder: A systematic review. Review Journal of Autism and Developmental Disorders, pages 1–20.

Souza, C. M., Rodrigues, F. B., and Pereira, L. N. (2022). Autimo: aplicativo lúdico para o desenvolvimento de habilidades sociais em crianças com tea. In Anais do XLVIII SEMISH, Niterói, RJ. SBC.

Topol, E. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25:44–56.