Banca de QUALIFICAÇÃO: GLEIDSON MENDES REBOUÇAS

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : GLEIDSON MENDES REBOUÇAS
DATA : 14/10/2019
HORA: 09:00
LOCAL: INSTITUTO DO CEREBRO
TÍTULO:

Modelo de classificação para diagnóstico do transtorno de estresse pós-traumático baseado em variáveis autonômicas e estrutura do discurso


PALAVRAS-CHAVES:

Sistema Nervoso Autônomo, Fala, Modelos teóricos, Transtornos de Estresse Pós-Traumáticos, Transtornos de Ansiedade e Transtorno Obsessivo-Compulsivo


PÁGINAS: 99
RESUMO:

O estudo  da natureza adaptativa da resposta ao estresse evidencia a participação principal de mecanismos fisiológicos associados ao Eixo endócrino hipotálamo-pituitária-adrenal (HPA) 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 indicam a desrregulação do SNA (disautonomia), como observado a partir do persistente estado de excitabilidade que caracteriza, por exemplo, no paciente com diagnóstico de Transtorno de Estresse Pós-Traumático (TEPT) e na expressão do discurso oral. Esta ocorrência pode estar presente em outros transtornos que fazem parte do espectro psicofisiológico semelhante ao TEPT, como o transtorno de ansiedade (TA) e o transtorno obsessivo-compulsivo (TOC). Deste modo o objetivo deste estudo foi desenvolver um modelo matemático classificador de diagnóstico para o TEPT, baseado na medição 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 utilizado 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 autonômicas apresentou acurácia de 92,3% (p < 0,0001) e índice Kappa de 89,7% com a geração de um algoritmo de decisão utilizando as medidas do eixo parassimpático (SDNN e RMSSD) e simpático (LF). 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). O modelo gerado com medidas autonômicas obteve melhor acurácia para a classificação de TEPT e pode refletir uma estratégia mais eficiente não só na identificação como para futuras investigações quanto a estratificação de risco, categorização de severidade dos transtornos ou acompanhamento da evolução clínica.


MEMBROS DA BANCA:
Interno - 2069422 - DIEGO ANDRES LAPLAGNE
Presidente - 6346130 - MARIA BERNARDETE CORDEIRO DE SOUSA
Interno - 1660044 - SIDARTA TOLLENDAL GOMES RIBEIRO

Notícia cadastrada em: 08/10/2019 16:51
SIGAA | Superintendência de Tecnologia da Informação - (84) 3342 2210 | Copyright © 2006-2024 - UFRN - sigaa03-producao.info.ufrn.br.sigaa03-producao