Banca de DEFESA: GLEIDSON MENDES REBOUÇAS

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : GLEIDSON MENDES REBOUÇAS
DATA : 23/01/2020
HORA: 10:00
LOCAL: INSTITUTO DO CÉREBRO
TÍTULO:

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

PALAVRAS-CHAVES:

Sistema Nervoso Autônomo; Discurso; Modelos teóricos; Diagnóstico Clínico Transtorno de Estresse Pós-Traumático, Transtorno de Ansiedade e Transtorno Obsessivo-Compulsivo

PÁGINAS: 130
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 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.

MEMBROS DA BANCA:
Externo ao Programa - 009.371.074-76 - EMERSON ARCOVERDE NUNES - UFRN
Externo à Instituição - JOSÉ RODOLFO LOPES DE PAIVA CAVALCANTI - UERN
Presidente - 6346130 - MARIA BERNARDETE CORDEIRO DE SOUSA
Externo ao Programa - 2998660 - MARIO ANDRE LEOCADIO MIGUEL
Externa à Instituição - Melyssa Kellyane Cavalcanti Galdino - UFPB
Interno - 1660044 - SIDARTA TOLLENDAL GOMES RIBEIRO