Uso de baropodômetros e inteligência artificial para separação de grau de escoliose

• Ano de defesa: 2023
• Autor(a) principal: Costa, Andressa Helena Melo [UNESP]
• Orientador(a): Sanches, Marcelo Augusto Assunção [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Escoliose idiopática; Diagnóstico; Baropodômetro; Inteligência artificial
• Palavras-chave em Inglês: Deep learning; Idiopathic scoliosis; Diagnosis; Baropodometer; Artificial intelligence
• Link de acesso: http://hdl.handle.net/11449/250478

O presente trabalho tem como objetivo principal desenvolver um método de diagnóstico e classificação de escoliose idiopática (EI) para diferentes graus, utilizando dados baropodométricos e Deep Learning. A Escoliose Idiopática é uma deformação tridimensional da coluna vertebral, cuja deformidade é classificada através do grau de curvatura da coluna e considera-se o diagnóstico de escoliose, quando o desvio lateral é maior que 10º. O diagnóstico é concluído após o exame de Raio-X da coluna e análise de um profissional. Como alternativa ao Raio-X, recentes estudos utilizaram dados de pressão plantar, dados estabiliométricos e algoritmos de Inteligência Artificial (AI) para diagnosticar e classificar a EI. Para alcançar o objetivo principal, inicialmente realizou-se a comparação entre dois baropodômetros, o BaroScan, que é um equipamento comercial e o LiebScan. Para o primeiro teste, utilizou-se massas conhecidas. O teste mostrou que os dois equipamentos fornecem as principais variáveis necessárias à avaliação da postura corporal, apesar de existir discrepâncias entre os valores de variáveis e sub-variáveis relacionadas ao deslocamento médio-lateral e anteroposterior. O BaroScan apresentou resultados muito próximos do esperado no teste com massas fixas, ao contrário do LiebScan, que apresentou diferença entre o resultado esperado e o resultado dos testes. Além disso, implementou-se dois modelos utilizando Convolutional Neural Network (CNN). O primeiro modelo classificou os sujeitos entre “com escoliose” e “sem escoliose” (CNN-Escoliose) e segundo modelo classificou o grau de escoliose em duas faixas diferentes (CNN-Grau). O modelo CNN-Escoliose alcançou acurácia de 68,67% e o modelo CNN-Grau obteve acurácia de 87,5%. Pela primeira vez, que se tem conhecimento, pode-se classificar o grau da escoliose e classificar a escoliose utilizando o baropodômetro e técnicas de Deep Learning.