Sistema orientado por Inteligência Artificial para auxílio ao pré-diagnóstico de crianças com manifestações comportamentais do TEA

Abstract

O Transtorno do Espectro Autista (TEA) é um distúrbio de neurodesenvolvimento cujos sinais podem ser identificados a partir dos 18 meses. No entanto, o diagnóstico precoce é desafiado pela falta de profissionais especializados, especialmente em áreas rurais. Este estudo tem como objetivo desenvolver uma aplicação móvel, baseada em Inteligência Artificial (IA), para auxiliar profissionais de saúde no pré-diagnóstico de TEA em crianças de 0 a 2 anos na região do Vale do Ribeira. Foi implementado um modelo de rede neural do tipo MultiLayer Perceptron (MLP) para analisar dados de triagem coletados por meio do protocolo Q-CHAT-10. A aplicação foi desenvolvida com Kotlin para a interface, textitJava com Spring Boot para a API e Python (FastAPI) para a interação com o modelo de IA utilizando Keras e TensorFlow. A base de dados contou com 1.054 instâncias, e o modelo foi treinado com validação cruzada k-fold de 10 dobras, obtendo acurácia superior a 90%. Testes adicionais, com 54 novas instâncias, resultaram em uma precisão de 90,7% e sensibilidade de 92,6%. Conclui-se que a aplicação desenvolvida tem potencial para melhorar o pré-diagnóstico de TEA, especialmente em regiões de difícil acesso, ampliando assim a acessibilidade no processo de identificação precoce.

The Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder whose signs can be identified from 18 months of age. However, early diagnosis is challenged by the lack of specialized professionals, especially in rural areas. This study aims to develop a mobile application, based on Artificial Intelligence (AI), to assist healthcare professionals in the pre-diagnosis of ASD in children aged 0 to 2 years in the Vale do Ribeira region. A MultiLayer Perceptron (MLP) neural network model was implemented to analyze screening data collected through the Q-CHAT-10 protocol. The application was developed with Kotlin for the interface, Java with Spring Boot for the API, and Python (FastAPI) for interaction with the AI model using Keras and TensorFlow. The database comprised 1,054 instances, and the model was trained using 10-fold cross-validation, achieving an accuracy of over 90%. Additional tests, with 54 new instances, resulted in 90.7% accuracy and 92.6% sensitivity. It is concluded that the developed application has the potential to improve ASD pre-diagnosis, especially in hard-to-reach regions, thus enhancing accessibility in the early identification process.