Avaliação de desempenho e efetividade de redes neurais aplicadas a dados de risco de transtorno de ansiedade pediátrica

Abstract

RESUMO Este Trabalho de Conclusão de Curso propôs um sistema computacional utilizando redes neurais artificiais para detecção (screening) e classificação multinível do risco de

transtorno de ansiedade pediátrica, com base em medidas psicométricas e comporta- mentais. O objetivo foi comparar o desempenho do modelo proposto, composto por

um Multilayer Perceptron (MLP) supervisionado e por um módulo não supervisionado baseado em Autoencoder associado à clusterização KMeans, empregados de forma complementar, com o modelo simbólico ADTree apresentado no estudo “Quantifying Risk for Anxiety Disorders in Preschool Children: A Machine Learning Approach”, disponibilizado no Harvard Dataverse. O delineamento experimental incluiu pré-processamento estatístico, normalização

z-score, aprendizado supervisionado e análise latente não supervisionada. Na classifi- cação multinível (0–3), o MLP obteve acurácia global de 85,11%, enquanto, no cenário

binário de triagem (screening), alcançou acurácia de 88,93%, sensibilidade de 80,56%

e especificidade de 94,80%. Em contraste, a versão replicada do ADTree apresen- tou sensibilidade nula, evidenciando limitações de classificadores determinísticos em

contextos psicológicos complexos.

A interpretabilidade foi examinada por meio do método SHAP (Shapley Additive exPla- nations), que indicou forte correspondência entre as variáveis de maior influência —

Afeto Ansioso, Evitação e Sofrimento Antecipatório — e os construtos clínicos definidos pelo Manual Diagnóstico e Estatístico de Transtornos Mentais, quinta edição (DSM-5),

e pela Classificação Internacional de Doenças, décima primeira revisão (CID-11). Ade- mais, o módulo Autoencoder + KMeans evidenciou um continuum emocional entre os

níveis de risco (0–3), reforçando o caráter dimensional do transtorno de ansiedade. Os resultados indicam que o paradigma conexionista supera o modelo simbólico em sensibilidade, estabilidade e equilíbrio métrico, preservando coerência psicológica e interpretabilidade. O sistema contribui para o avanço da Engenharia da Computação aplicada à saúde mental infantil, evidenciando o potencial de redes neurais explicáveis em triagens automatizadas e sistemas de apoio à decisão. ABSTRACT This Final Undergraduate Project proposed a computational system using artificial neural networks for detection (screening) and multilevel classification of pediatric anxiety disorder risk, based on psychometric and behavioral measures. The objective was to compare the performance of the proposed model, composed of a supervised Multilayer Perceptron (MLP) and an unsupervised module based on Autoencoder associated with KMeans clustering, employed in a complementary way, with the symbolic model ADTree presented in the study “Quantifying Risk for Anxiety Disorders in Preschool Children: A Machine Learning Approach”, available in the Harvard Dataverse. The experimental design included statistical preprocessing, z-score normalization, supervised learning, and unsupervised latent analysis. In the multilevel classification (0–3), the MLP achieved an overall accuracy of 85.11%, while in the binary screening scenario it reached an accuracy of 88.93%, sensitivity of 80.56%, and specificity of 94.80%. In contrast, the replicated version of ADTree presented null sensitivity, highlighting the limitations of deterministic classifiers in complex psychological contexts. Interpretability was examined through the SHAP (Shapley Additive exPlanations) method,

which indicated a strong correspondence between the most influential variables — Anxi- ous Affect, Avoidance, and Anticipatory Distress — and the clinical constructs defined

by the Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition (DSM-5), and the International Classification of Diseases, Eleventh Revision (ICD-11). Furthermore, the Autoencoder + KMeans module evidenced an emotional continuum across risk levels (0–3), reinforcing the dimensional nature of anxiety disorder. The results indicate that the connectionist paradigm outperforms the symbolic model in sensitivity, stability, and metric balance, while preserving psychological coherence and interpretability. The system contributes to the advancement of Computer Engineering applied to child mental health, highlighting the potential of explainable neural networks in automated screenings and decision-support systems.