Utilização de machine learning na classificação de disfunções temporomandibulares: prova de conceito

Abstract

O interesse mundial no uso da inteligência artificial está crescendo rapidamentedevido aos avanços substanciais na capacidade de computação e novos algoritmos de aprendizagem. Estes recursospodem trazer maior precisão diagnóstica, respostas mais rápidas e melhores resultadosna assistência ao indivíduo. Este projeto teve por objetivo criar um modelo de aprendizado de máquina (machinelearning)que auxiliem na detecção e classificaçãode disfunções temporomandibulares (DTM) usando para dados sistematizados. A etapa de machine learning foi por meiodo método de árvore de decisão,onde foiutilizada programação em linguagem Python/Scikit-Learn. Para a construção do modelo, foiutilizado o conjunto de dados de prontuáriosdo acervo de prontuários clínicos do Centro Multidisciplinar de Dor Orofacial (CEMDOR) da Universidade Federal de Santa Catarina. Cada conjunto de dados possuía uma quantidade padronizada de informações básicas e dimensões para cada informação. Os diagnósticosde DTMforamclassificados de acordo coma Classificação Internacional de Dor Orofacial (ICOP). Foram realizados dois experimentos independentes utilizando árvores de decisão para classificar dores miofasciais e dores articulares. Ambos os experimentos utilizaram as mesmas métricas para avaliar o desempenho dos modelos. Obteve-se acurácia de 78% para dores miofasciais e83% para dores articulares. O desempenho dos modelos foi avaliado através de matriz de confusão e métricas adicionais para entendimento do funcionamento da árvore. Concluiu-se que essa a utilização de árvore de decisão por machine learningapresenta potencial relevante para auxílio no diagnóstico clínico das DTM.

Abstract: Worldwide interest in the use of artificial intelligence is growing rapidly due to substantial advances in computing power and new learning algorithms. These resources can bring greater diagnostic accuracy, faster responses, and improved outcomes in assisting the individual. This project aimed to create a machine learning model to aid in the detection and classification of temporomandibular dysfunctions (TMD) using for systematized data. The machine learning step was through the decision tree method, where Python/Scikit-Learn language programming wasused. To build the model, the dataset of medical records from the Clinical Records collection of the Multidisciplinary Center for Orofacial Pain (CEMDOR) at the Federal University of Santa Catarina was used. Each dataset had a standardized amount of basicinformation and dimensions for each piece of information. TMD diagnoses were classified according to the International Classification of Orofacial Pain (ICOP). Two independent experiments were conducted using decision trees to classify myofascial pain andjoint pain. Both experiments used the same metrics to evaluate model performance. Accuracy was 78% for myofascial pain and 83% for joint pain.The performance of the models was evaluated through a confusion matrix and additional metrics for understanding how the decision tree works.It was concluded that the use of machine learning decision trees has a relevant potential to aid in the clinical diagnosis of TMD.