Utilização de aprendizado de máquina para promover o rastreio de sinais de TEA em crianças por meio das análises das disfunções executivas
##plugins.themes.bootstrap3.article.main##
Resumo
A promoção de um ambiente educacional inclusivo para diversos indivíduos continua sendo um grande desafio para as instituições públicas de ensino, especialmente quando se trata de crianças com Transtorno do Espectro Autista (TEA). Esse desafio pode ser ainda mais complexo devido ao fato de muitos casos de TEA ainda não possuírem um laudo diagnóstico, o que impede a implementação de intervenções adequadas. A ausência de um diagnóstico formal dificulta o desenvolvimento de estratégias pedagógicas específicas e a criação de um ambiente verdadeiramente acolhedor e adaptado às necessidades dessas crianças. As disfunções executivas, que envolvem dificuldades em processos como planejamento, organização, gerenciamento de tempo, flexibilidade cognitiva, resolução de problemas, memória de trabalho, controle inibitório e monitoramento do desempenho, são frequentemente associadas ao TEA (Moraes, 2024). Identificar essas disfunções pode ser uma forma para auxiliar no diagnóstico precoce e o desenvolvimento de intervenções eficazes. No entanto, a avaliação dessas funções de forma tradicional pode ser desafiadora e invasiva para as crianças. Utilizar meios lúdicos e computacionais para o rastreio de sinais de TEA é uma abordagem promissora e interessante por várias razões. Primeiramente, esses métodos são menos invasivos, permitindo que as crianças interajam em um ambiente natural e confortável, reduzindo o estresse associado a avaliações tradicionais. Jogos sérios e aplicativos educativos, por exemplo, podem engajar as crianças de maneira lúdica, tornando o processo de rastreio mais agradável. Além disso, ferramentas computacionais podem coletar e analisar grandes volumes de dados de maneira sistemática e precisa (Thabtah, 2017). Isso permite a identificação de padrões comportamentais que podem passar despercebidos em avaliações humanas, proporcionando um diagnóstico mais detalhado e precoce. A integração de técnicas de Machine Learning (ML) nesses sistemas pode aprimorar ainda mais a precisão do rastreio, identificando sinais de TEA com maior confiabilidade (Bone et al., 2015). A implementação de tais tecnologias pode reduzir a carga sobre os profissionais de saúde e educação, permitindo um foco mais direcionado nos casos que realmente necessitam de intervenção. É importante salientar que o diagnóstico do TEA não deve se basear exclusivamente em análises computacionais; ele é essencialmente clínico e deve ser realizado por especialistas na área da saúde. No entanto, o avanço dos modelos computacionais oferece um importante suporte a este processo, contribuindo para diagnósticos mais precoces e eficazes. Dessa forma, este trabalho tem como objetivo definir um rastreio de sinais através de computação inteligente que promova diagnoses sobre possíveis padrões do TEA em crianças na educação infantil, com base nas funções executivas. Isso resultará em um instrumento de suporte à tomada de decisão ainda no ambiente de ensino, oferecendo subsídios aos pedagogos e profissionais da área. Para analisar o comportamento de crianças com TEA, foram utilizados jogos educativos projetados para explorar suas funções executivas. Três jogos específicos foram selecionados: Jogo da Memória, Associação com Sombras e Atividade de Pintura, escolhidos tendo a capacidade de envolver habilidades cognitivas como Controle Inibitório, Memória de Trabalho e Flexibilidade Cognitiva. A coleta de dados foi realizada com 12 crianças em idade escolar, divididas em dois grupos: seis crianças diagnosticadas com TEA e seis crianças com desenvolvimento típico (grupo controle), totalizando 640 jogadas. Para garantir a representatividade e precisão do modelo, os dados foram balanceados e focados nas features mais relevantes para o rastreio de funções executivas. A análise utilizou uma classificação dimensional para avaliar sintomas e sinais de forma contínua, além da classificação categorial para o rastreio inicial, conforme o modelo DSM-V. Para a análise dos dados, foram utilizados 7 modelos de Machine Learning aplicados e avaliados quanto à acurácia, precisão, recall e f1-score, incluindo Random Forest, MLP (Multilayer Perceptron), Deep Learning, SVM (Support Vector Machine), Regressão Logística, KNN (K-Nearest Neighbors) e Naive Bayes. Os resultados mostraram que o modelo Random Forest foi o mais preciso em termos de acurácia (0,94), especialmente quando comparado com o Naive Bayes (0,66). Random Forest e MLP destacaram-se na identificação correta de crianças com e sem autismo. O F1-score, que equilibra precisão e recall, indicou que Random Forest e MLP tiveram os melhores desempenhos gerais, enquanto o Naive Bayes teve limitações na detecção de TEA. O Random Forest obteve uma acurácia de 0.94 e identificou corretamente 68 casos de verdadeiros negativos e 52 verdadeiros positivos, com poucos erros (7 falsos positivos e 1 falso negativo). O MLP teve uma acurácia de 0,95, precisão de 0,97 para ausência de autismo e 0,91 para ocorrência de TEA. O modelo Deep Learning apresentou uma acurácia de 0,79, precisão de 0,88 para ausência de indícios de TEA e 0,70 para incidência de TEA, recall de 0,75 e 0,85, respectivamente. O SVM teve 12 falsos negativos, acurácia de 0,76, precisão de 0,82 para ausência de autismo e 0,68 para incidência de TEA, e recall de 0,77 para ambos os casos. Embora tenha tido uma acurácia elevada, a baixa taxa de assertividade na condição de detecção de autismo, torna esse modelo não tão eficaz. A Regressão Logística teve uma acurácia de 0,78, precisão de 0,84 para ausência de autismo e 0,71 para incidência de TEA, recall de 0,77 e 0,79, respectivamente, e F1-scores de 0,81 e 0,75. O KNN mostrou uma acurácia de 0,81, precisão de 0,92 para ausência de autismo e 0,72 para incidência de TEA, recall de 0,75 e 0,91, respectivamente, e F1-scores de 0,82 e 0,80. O Naive Bayes teve 37 falsos negativos, acurácia de 0,66, precisão de 0,65 para ausência de autismo e 0,70 para incidência de TEA, recall de 0,91 e 0,30, respectivamente, e F1-scores de 0,76 e 0,42, é possível notar que este último obteve um desempenho inferior aos demais, com altas incidências de erros . No geral, o modelo Random Forest e o MLP foram os mais eficazes, com melhores taxas de acurácia e desempenho superior nos parâmetros de avaliação, destacaram-se como a abordagem mais promissora para o rastreamento precoce e eficaz do TEA, contribuindo para intervenções mais precisas no ambiente educacional.
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Seção
Engenharia da Computação e Sistemas