Aplicação do modelo de árvore de decisão no rastreio de queixas de desatenção e hiperatividade em crianças e adolescentes

O transtorno do déficit de atenção e hiperatividade (TDAH) é um transtorno do neurodesenvolvimento caracterizado por um padrão persistente de desatenção e hiperatividade/impulsividade. Há uma dificuldade considerável para realizar o diagnóstico desse transtorno principalmente para discriminar o que seria um comportamento esperado para a fase do desenvolvimento da criança ou adolescentes, e o que seriam sintomas, provenientes do TDAH. O modelo de árvore de decisão é um algoritmo estatístico, modelo preditivo construído com comparações de valores de um determinado objetivo que pode ser comparado com outros valores constantes, colocando neste estudo essas variáveis de uma base de dados em níveis hierárquicos, essas variáveis envolvem os índices de testes neuropsicológicos e comportamentais. Este estudo tem como objetivo aplicar o modelo de árvore de decisão no direcionamento do rastreio de queixas de uma organização de dados de um protocolo que avalia queixas de TDAH, pretende-se analisar quais itens selecionados dos instrumentos de avaliação cognitiva utilizados, como teste de atenção por cancelamento, teste de trilhas, continuous performance test, teste de cartas wisconsin, escala wechsler de inteligência abreviada e escala wechsler de inteligência para crianças, além do inventário de comportamentos para crianças e adolescentes (CBCL/6-18) e inventário para professores (TRF/6-18) teriam melhores índices associados à acurácia do diagnóstico de TDAH. Esta foi uma amostra com dados secundários de banco de dados do protocolo TDAH, ligado ao PPG em Distúrbios do Desenvolvimento na Universidade Presbiteriana Mackenzie, foram 202 participantes do crianças com TDAH e um banco de dados de uma Instituição do Estado de São Paulo que conta com 185 participantes do grupo de crianças sem TDAH. Os resultados destacados foram referentes aos itens “CBCL TDAH”, e “CBCL problemas de atenção” do inventário comportamental CBCL; o teste Wisconsin cujo os itens “aprendendo a aprender”, “WCST erros perseverativos” e “WCST respostas perseverativas”; o teste neuropsicológico CPT no item “CPT omissões”, sendo que a acurácia de discriminação do diagnóstico variou de 84,7% a 60% na precisão da árvore de decisão. Verificou-se que a árvore de decisão e abordagens com machine learning podem ser eficazes no direcionamento do rastreio de queixas típicas do TDAH.Attention deficit hyperactivity disorder (ADHD) is a neurodevelopmental disorder characterized by a persistent pattern of inattention and hyperactivity / impulsivity. There is considerable difficulty in diagnosing this disorder, mainly to discriminate what would be appropriate behavior for the stage of development of the child or adolescents, and what would be symptoms, arising from ADHD. The decision tree model is a statistical algorithm, a predictive model built with comparisons of values for a given objective that can be compared with other constant values, placing these variables in a database at hierarchical levels, these variables involve the items of neuropsychological and behavioral tests and questionnaires. This study aims to apply the decision tree model in directing the screening of complaints from a data organization of a protocol that evaluates ADHD complaints, it is intended to analyze which parameters selected from the cognitive assessment instruments used, such as cancellation attention, trail test, continuous performance test, wisconsin card test, wechsler abbreviated scale of intelligence and wechsler intelligence scale of children, in addition to the behavior inventory for children and adolescents (CBCL / 6-18) and teacher inventory (TRF / 6- 18) would have better rates associated with the accuracy of the diagnosis of ADHD. This was a convenience sample with a database of the ADHD protocol, linked to the PPG in Developmental Disorders at Presbyterian University Mackenzie, there were 202 participants from children with ADHD and a database of an Institution of the State of São Paulo that has 185 participants in the group of children without ADHD. The highlighted results were related to the items “CBCL ADHD”, and “CBCL problems of attention” of the CBCL behavioral inventory; the Wisconsin test whose items “Learning to Learn”, “WCST Perseverative Errors” and “WCST perseverative answers”; the neuropsychological test CPT in the item “CPT omissions”, and the accuracy of discrimination of the diagnosis varied from 84.7% to 60% in the precision of the decision tree. It was found that the decision tree and machine learning approaches can be effective in directing the screening of typical ADHD complaints.Coordenação de Aperfeiçoamento de Pessoal de Nível Superio