Detecção de características associadas ao Transtorno do Espectro Autista em crianças por meio da análise das funções executivas utilizando jogos sérios e técnicas de Machine learning no ambiente escolar

Resumo

O ambiente escolar costuma representar o primeiro espaço de socialização além do núcleo familiar, sendo fundamental para o desenvolvimento de diversas habilidades cognitivas, sociais e emocionais da criança (Silva; Timbo, 2017). Nesse contexto, a escola desempenha um papel importante na observação de comportamentos que podem sinalizar a presença de transtornos do neurodesenvolvimento, como o Transtorno do Espectro Autista (TEA), caracterizado por alterações nos padrões de interação social, dificuldades na comunicação e comportamentos repetitivos (American Psychiatric Association, 2013), que podem se manifestar de forma sutil nas atividades escolares cotidianas. Assim, o ambiente escolar pode contribuir para a identificação precoce de sinais de autismo, agilizando o encaminhamento das crianças aos profissionais responsáveis pelo diagnóstico e auxiliando os educadores no desenvolvimento de atividades específicas e adaptadas. Uma das formas de observar essas características é por meio da análise das funções executivas, que envolvem o controle inibitório, a memória de trabalho e a flexibilidade cognitiva, frequentemente comprometidas em pessoas com TEA (Maranhão; Pires, 2017). Tais habilidades podem ser analisadas de maneira simples e acessível por meio de atividades do cotidiano escolar. Quando inseridas de forma planejada nas aulas, essas atividades permitem uma espécie de diagnose, ou seja, uma análise preliminar dessas funções e seu possível vínculo com o transtorno. Por se tratar de crianças, é fundamental que essas atividades sejam oferecidas de forma lúdica e não invasiva, como por meio de jogos sérios, que são jogos com objetivos que vão além do entretenimento (Trindade et al., 2021). Crianças autistas, em geral, demonstram interesse por recursos tecnológicos, o que torna os jogos digitais uma estratégia promissora para realizar esse rastreamento de forma engajadora. Além disso, por serem digitais, os dados gerados durante as jogadas podem ser coletados e analisados com técnicas de Machine Learning (aprendizado de máquina), possibilitando maior acurácia na identificação de padrões e fornecendo informações relevantes tanto para o encaminhamento clínico quanto para o planejamento pedagógico personalizado. Assim, o presente estudo tem como objetivo utilizar três jogos sérios para auxiliar na identificação de sinais relacionados às funções executivas que possam indicar a presença de TEA em crianças, por meio da aplicação de algoritmos de Machine Learning. Para isso, foi formado um grupo multidisciplinar composto por uma pedagoga e psicopedagoga, duas psicólogas com formação em neuropsicologia, uma fonoaudióloga e uma psicóloga clínica, responsável pelo desenvolvimento de jogos inclusivos voltados ao público infantil com TEA. Após essa etapa, foram definidas as escolas e as crianças participantes, por meio de uma amostragem por conveniência, composta por crianças de 3 a 6 anos matriculadas em escolas públicas do município de Recife-PE, Brasil. Para controle de variáveis, foram incluídas apenas crianças com laudo exclusivamente de TEA, evitando vieses decorrentes de outras comorbidades. Os jogos desenvolvidos foram: jogo da memória, pareamento com sombras e jogo da pintura, todos voltados ao estímulo e análise de funções executivas. Esses jogos foram projetados com foco na inclusão e na coleta de dados durante as jogadas, permitindo a análise do desempenho infantil. A participação das crianças foi autorizada mediante assinatura do termo de consentimento pelos responsáveis. A aplicação foi realizada por profissionais do Atendimento Educacional Especializado (AEE), previamente capacitadas para conduzir a atividade com os estudantes. À medida que as crianças interagiam com os jogos em tablets, os dados gerados eram automaticamente armazenados para posterior análise. Foram utilizados sete algoritmos de Machine Learning para o processamento dessas informações: Random Forest (RF), Support Vector Machine (SVM), Naive Bayes (NB), Multilayer Perceptron (MLP), Deep Multilayer Perceptron (Deep MLP), Logistic Regression (LR) e K-Nearest Neighbors (KNN). A fim de obter o melhor desempenho dos modelos, foi aplicada a técnica de Grid Search para otimização dos hiperparâmetros de cada algoritmo, além da validação cruzada, com o objetivo de garantir maior robustez aos resultados, minimizando a influência de variações decorrentes da divisão aleatória dos dados em conjuntos de treinamento e teste. Para a avaliação dos algoritmos, foram utilizadas as métricas de acurácia, precisão, recall e F1-score. Os resultados obtidos foram satisfatórios. Em relação à acurácia, os algoritmos que mais se destacaram foram RF, Deep MLP, SVM e MLP, com desempenhos em torno de 94%, sendo o RF ligeiramente superior, atingindo 96%. O KNN também apresentou bom desempenho, com acurácia de 90%. A LR obteve um resultado intermediário, com acurácia de 80%, enquanto o NB apresentou o menor desempenho, com 60%. Quanto à métrica de precisão, o RF novamente se destacou, alcançando 96%. Em relação ao recall, o RF obteve a melhor taxa, com 97%, resultado que também se refletiu no F1-score, consolidando-o como o algoritmo de melhor desempenho geral entre os avaliados. Diante dos resultados obtidos, observa-se que o uso de jogos sérios aliado a técnicas de Machine Learning mostra-se promissor na identificação de sinais relacionados ao Transtorno do Espectro Autista em crianças, especialmente por meio da análise das funções executivas. O algoritmo RF destacou-se em todas as métricas avaliadas, evidenciando seu potencial para esse tipo de aplicação. A abordagem proposta permite uma análise mais precisa e personalizada do comportamento infantil, contribuindo para o rastreamento precoce de sinais de TEA e oferecendo subsídios valiosos tanto para profissionais da educação quanto da saúde. Esses achados reforçam a viabilidade de integrar recursos tecnológicos ao contexto escolar de forma inclusiva, ampliando as possibilidades de intervenção e acompanhamento no desenvolvimento infantil.