Comparação de algoritmos de redes neurais artificiais no diagnóstico de crianças respiradoras bucais

Abstract

Introdução: A respiração bucal crônica é uma síndrome que pode promover alterações na postura corporal. Métodos estatísticos têm sido propostos a fim de realizar modelagem não-linear com alta dimensionalidade de dados biomédicos, entre eles destacam-se as redes neurais artificiais (RNA). RNA são ferramentas estatísticas que realizam mapeamentos não-lineares entre um conjunto de variáveis de entrada e um conjunto de variáveis de saída. Objetivo: Comparar a acurácia de 4 algoritmos de RNA - mapa auto-organizável, aprendizagem por quantização vetorial (LVQ), perceptron e perceptron de múltiplas-camadas. Métodos: Utilizou-se como padrão de entrada dados de postura corporal de 52 crianças - 30 diagnosticadas previamente como respiradoras bucais e 22 como respiradoras nasais – no diagnóstico de crianças respiradoras bucais. Foi utilizado a algoritmo de validação cruzada leave-one-out, sendo calculada sensibilidade, especificidade e área sob a curva ROC para medir o desempenho dos algoritmos de RNA. Resultados: Dentre os algoritmos de RNA analisados, o LVQ apresentou melhores taxas de sensibilidade (0,90), especificidade (0,95) e AUC (0,92) no diagnóstico de crianças respiradoras bucais usando como padrão de entrada dados da postura corporal.