Saúde Desvendada

O Transtorno do Espectro Autista (TEA) é uma condição neurodesenvolvimental complexa, cuja detecção precoce representa um desafio devido à sua ampla gama de manifestações em diferentes fases do desenvolvimento. A identificação precisa e em tempo hábil do TEA é crucial, pois permite a implementação de intervenções que podem otimizar significativamente o desenvolvimento da criança.

Um estudo recente propõe uma nova estrutura de aprendizado de máquina, robusta e interpretável, para auxiliar no diagnóstico do TEA. Essa estrutura utiliza dados de questionários e emprega um modelo de ensemble stacking. Esse modelo combina algoritmos de Random Forest (RF), Extra Tree (ET) e CatBoost (CB) como classificadores de base, juntamente com uma Rede Neural Artificial (RNA) atuando como meta-classificador. Essa abordagem inovadora visa aprimorar a precisão e a confiabilidade do diagnóstico.

A metodologia empregada no estudo também aborda o desequilíbrio de classes utilizando a técnica Safe-Level SMOTE. Além disso, aplica a redução de dimensionalidade por meio da Análise de Componentes Principais (PCA) e a seleção de recursos usando a Informação Mútua e a correlação de Pearson. A avaliação do modelo em conjuntos de dados públicos, representando diferentes grupos etários (bebês, crianças, adolescentes e adultos), demonstrou alta precisão diagnóstica, alcançando resultados notáveis de 99,86%, 99,68%, 98,17%, 99,89% e 96,96%, respectivamente. Esses resultados promissores indicam que a aplicação de inteligência artificial pode ser uma ferramenta valiosa para o rastreamento e o diagnóstico precoce do autismo em diversas populações e fases de desenvolvimento, auxiliando profissionais de saúde e famílias na busca por intervenções adequadas e oportunas.

Origem: Link