Diagnóstico diferencial baseado em variáveis autonômicas e estrutura do discurso entre transtornos neuropsiquiátricos utilizando aprendizagem de máquina

• Ano de defesa: 2020
• Autor(a) principal: Rebouças, Gleidson Mendes
• Orientador(a): Sousa, Maria Bernardete Cordeiro de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIAS
• País: Brasil
• Palavras-chave em Português: Sistema nervoso autônomo; Fala; Modelos teóricos; Transtorno de estresse pós-traumático; Transtorno de ansiedade e transtorno obsessivo-compulsivo
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/31556

O estudo da natureza adaptativa da resposta ao estresse evidencia a participação principal de mecanismos fisiológicos associados ao eixo endócrino hipotálamo-pituitária-adrenal e do Sistema Nervoso Autônomo (SNA), nas suas divisões simpática e parassimpática, bem como do sistema imune. Indivíduos com diferentes transtornos neuropsiquiátricos apresentam sinais e sintomas que sugerem desregulação do SNA (disautonomia) e na expressão ou forma do discurso oral. Estas ocorrências se apresentam em outros transtornos que fazem parte do espectro psicofisiológico que inclui o Transtorno de Estresse Pós-traumático (TEPT) o Transtorno de Ansiedade (TA) e o Transtorno obsessivo compulsivo (TOC). Neste contexto, o objetivo deste estudo foi desenvolver um modelo matemático classificador de diagnóstico para o TEPT, baseado na análise de variáveis autonômicas e estrutura do discurso. Foram investigados 298 indivíduos do sexo masculino com idades entre 22 e 48 anos alocados em quatro grupos: TEPT (n = 76), TA (n = 77), TOC (n = 73) e Controle (n = 72). Os questionários PCL-5, BAI e YBOCS foram utilizados para obter os dados psicométricos relacionadas respectivamente ao TEPT, TA e TOC. O software SpeechGraphs® foi empregado para analisar a representação da trajetória de palavras e caracterizar quantitativamente a complexificação do discurso. Um sinal de ECG (ADInstruments modelo PowerLab®) foi utilizado para análise da variabilidade da frequência cardíaca (VFC) e da condutância de pele (RGP). Técnicas de machine learning (Decision Tree e Naive Bayes) foram empregadas para se obter o modelo matemático. O modelo gerado para classificação do TEPT baseado em medidas da VFC apresentou acurácia de 92,3% (p < 0,0001) e índice Kappa de 89,7% com a geração de um algoritmo de decisão utilizando medidas do eixo parassimpático (SDNN e RMSSD) e simpático (LF). O modelo gerado para classificação do TEPT baseado em medidas autonômicas de condutância de pele (μS) apresentou acurácia de 96,6% (p < 0,0001) e índice Kappa de 95,4% com a geração de um algoritmo de decisão utilizando medidas verificadas no segundo um e 180 da janela de cinco minutos. O modelo gerado para classificação do TEPT baseado em medidas de trajetória do discurso apresentou acurácia de 80,9% (p < 0,0001) e índice Kappa de 71,4% com a geração de um algoritmo de decisão utilizando medidas de diversidade lexical (Nodes), recorrência (RE, PE) e conectividade (LSC, LCC e L3). A classificação em níveis de severidade do transtorno permitiu a identificação, pelo método k-means, de 3 classes (graus) de elevação para cada variável. Os modelos gerados com medidas autonômicas apresentaram melhor precisão para a classificação do TEPT e apresentam o potencial de serem utilizados como um método mais eficiente para diagnóstico, futuras investigações sobre estratificação de risco, categorização da gravidade e acompanhamento da evolução clínica deste transtorno.