@MASTERSTHESIS{ 2026:775132147,
 	title = {Sistema de Apoio ao Diagnóstico do Risco de Transtorno de Ansiedade em Crianças},
 	year = {2026},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6899",
 	abstract = "Os transtornos de ansiedade na infância configuram um problema relevante de saúde mental, particularmente em crianças em idade pré-escolar, devido à dificuldade de identificação precoce associada à subjetividade dos instrumentos clínicos e à sobreposição de padrões comportamentais.
 Nesse contexto, abordagens computacionais têm sido investigadas como ferramentas de apoio à
 decisão clínica, especialmente aquelas baseadas em técnicas de aprendizado de máquina aplicadas a dados psicométricos. Entretanto, tais abordagens ainda enfrentam desafios relacionados à
 robustez decisória, à interpretabilidade clínica e à consistência do desempenho em cenários multiclasse ordinais. Com o objetivo de enfrentar essas limitações, este trabalho propõe um sistema
 computacional de apoio à decisão para a classificação binária e multinível do risco de transtornos de ansiedade em crianças, fundamentado em modelos de aprendizado supervisionado sob a
 perspectiva da Engenharia Elétrica aplicada à saúde mental. São avaliados comparativamente
 três modelos consolidados — Random Forest, Support Vector Machine e Multilayer Perceptron
 — considerando um cenário binário auxiliar de triagem clínica e um cenário multiclasse ordinal composto por quatro níveis de risco. A metodologia emprega uma base de dados pública do
 Harvard Dataverse, composta por informações psicométricas, comportamentais e psicossociais,
 sendo validada por meio de validação cruzada estratificada e métricas de desempenho alinhadas
 à prática clínica, incluindo análise explícita do erro clínico ordinal por meio da distinção entre
 erros adjacentes e não adjacentes no cenário multiclasse. Os resultados indicam que os modelos apresentam elevada capacidade discriminativa no cenário binário (AUC superiores a 0,94) e
 desempenho consistente no cenário multiclasse (acurácia global entre 83% e 85%), sem a existência de um classificador universalmente superior. Observa-se comportamento complementar
 entre as arquiteturas, com destaque para o RF em termos de estabilidade global e para o MLP na
 distinção entre níveis intermediários de risco. Conclui-se que modelos supervisionados clássicos, quando validados, constituem ferramentas promissoras para a estratificação ordinal do risco
 de ansiedade pediátrica. Sob a ótica da Engenharia Elétrica, o problema é caracterizado como
 um processo de inferência de estados latentes a partir de dados ruidosos e parcialmente observáveis, contribuindo metodologicamente para o desenvolvimento de sistemas computacionais
 interpretáveis de apoio à decisão em saúde mental infantil.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}