A aplicação de modelos de Aprendizagem de Máquina (AM) pode otimizar e tornar mais preciso o
processo de diagnóstico do Transtorno do Espectro Autista (TEA), ajustando os dados e reduzindo,
em muitos casos, o número de critérios clínicos necessários para avaliação médica, denotando uma
forma...

A aplicação de modelos de Aprendizagem de Máquina (AM) pode otimizar e tornar mais preciso o
processo de diagnóstico do Transtorno do Espectro Autista (TEA), ajustando os dados e reduzindo,
em muitos casos, o número de critérios clínicos necessários para avaliação médica, denotando uma
forma eficiente de engenharia de atributos. Neste contexto, o presente estudo propõe uma
abordagem híbrida, estruturada na composição de algoritmos de Aprendizagem de Máquina
associados, a um método multicritério de apoio à decisão baseado na metodologia de Análise Verbal
de Decisão (AVD), visando à descoberta de conhecimentos e conceitos seguida de refinamento dos
resultados. Entretanto, na busca por um melhor desempenho para a precisão e celeridade no
diagnóstico, faz-se necessária a comparação de algoritmos de AM que melhor atendem a essa
demanda. Importante ressaltar que o TEA se refere a distúrbios do neurodesenvolvimento mental
que afetam milhões de pessoas em todo o mundo. Em crianças, a prevalência é maior em meninos
e se estima que uma em cada 160(cento e sessenta) crianças tenha algum traço pertencente ao
espectro autista. Diversos protocolos e manuais padronizam as informações utilizadas na detecção
correta e eficaz do TEA. Entre os mais utilizados, podem ser citados o Manual Diagnóstico e
Estatístico de Transtornos Mentais, 5ª Edição (DSM-5), da Associação Americana de Psiquiatria; o
Cronograma de Observação Diagnóstica de Autistas ¿ Revisada (ODA-R); a Entrevista Diagnóstica
Autista (EDA); e a Classificação Internacional de Doenças, 10ª edição (CID-10), publicada pela
Organização Mundial da Saúde (OMS), adotada no Brasil pelo Sistema Único de Saúde (SUS) e
pelo Instituto Nacional do Seguro Social (INSS). Enfatiza-se, portanto, que o modelo híbrido
proposto nesta pesquisa está estruturado na justaposição de algoritmos de Aprendizagem de
Máquina, associado a um método multicritério de AVD, direcionado a explorar o poder preditivo
de dados específicos deste estudo, a partir de um grande conjunto de informações bem definidas,
para aperfeiçoar e otimizar os modelos de diagnóstico do TEA. Dessa forma, o modelo propiciará
uma melhor acurácia ao diagnóstico buscado, pela observação clínica de uma sintomática menor,
com a redução obtida de 89% de características a serem avaliadas por um perito médico, em uma
Avaliação Médica do BPC/LOAS, para o diagnóstico do TEA, em crianças de 0 (zero) a 5 (cinco)
anos, em todo o território nacional. A base de dados do estudo abrange milhares de casos de crianças
diagnosticadas com TEA, por meio da Avaliação Médica do Benefício de Prestação Continuada/Lei
Orgânica da Assistência Social (BPC/LOAS) do INSS.
Palavras-chave: Transtorno do Espectro Autista, Aprendizagem de Máquina, Análise de Decisão
Verbal, Modelo Híbrido, Otimização de Diagnóstico Médico.

The application of Machine Learning (ML) models can optimize and make the diagnosis process of
Autistic Spectrum Disorder (ASD) more precise, adjusting the data and reducing, in many cases,
the number of clinical criteria necessary for medical evaluation, denoting an efficient form of
attribute...

The application of Machine Learning (ML) models can optimize and make the diagnosis process of
Autistic Spectrum Disorder (ASD) more precise, adjusting the data and reducing, in many cases,
the number of clinical criteria necessary for medical evaluation, denoting an efficient form of
attribute engineering. In this context, this study proposes a hybrid approach, structured in the
composition of Machine Learning algorithms associated with a multicriteria decision support
method based on the Verbal Decision Analysis (VDA) methodology, aiming at the discovery of
knowledge and concepts followed refinement of results. However, in the search for better
performance for the accuracy and speed of diagnosis, it is necessary to compare ML algorithms that
best meet this demand. It is important to note that ASD refers to mental neurodevelopmental
disorders that affect millions of people worldwide. In children, the prevalence is higher in boys and
it is estimated that one in 160 (one hundred and sixty) children has some trait belonging to the
autistic spectrum. Several protocols and manuals standardize the information used in the correct and
effective detection of ASD. Among the most used, the Diagnostic and Statistical Manual of Mental
Disorders, 5th Edition (DSM-5), from the American Psychiatric Association; the Chronogram of
Diagnostic Observation of Autistic - Revised (ADOS-R); the Autistic Diagnostic Interview (ADI);
and the International Classification of Diseases, 10th edition (ICD-10), published by the World
Health Organization (WHO), adopted in Brazil by the Unified Health System (UHS) and the
National Institute of Social Security (NISS). It is emphasized, therefore, that the hybrid model
proposed in this research is structured in the juxtaposition of Machine Learning algorithms,
associated with a multicriteria method of VDA, aimed at exploring the predictive power of specific
data of this study, from a large set well-defined information to improve and optimize the ASD
diagnostic models. Thus, the model will provide a better accuracy to the diagnosis sought, through
clinical observation of a minor symptom, with the 89% reduction of characteristics to be evaluated
by a medical expert, in a BPC/LOAS Medical Evaluation, for the diagnosis of ASD, in children
from 0 (zero) to 5 (five) years, throughout the territory national. The study's database covers
thousands of cases of children diagnosed with ASD, through the ¿Avaliação Médica do Benefício
de Prestação Continuada/Lei Orgânica da Assistência Social (BPC/LOAS) do INSS¿.
Keywords: Autistic Spectrum Disorder, Machine Learning, Verbal Decision Analysis, Hybrid
Model, Medical Diagnostic Optimization.