@MASTERSTHESIS{ 2024:1210020301,
 	title = {Predição de tratamentos ortodônticos como estimativa do alinhamento da dentição: uma abordagem de inteligência artificial aplicada},
 	year = {2024},
 	url = "http://bdtd.famerp.br/handle/tede/866",
 	abstract = "Objetivo: O estudo visa aplicar e comparar modelos inteligentes otimizados para estimar a duração dos tratamentos ortodônticos com alinhadores transparentes removíveis Invisalign, para melhorar a precisão no planejamento de cuidados bucais na enfermagem, otimizar os recursos e tempo dos profissionais de saúde, alémde proporcionar um melhor acompanhamento dos pacientes. O intuito é melhorar a precisão no planejamento de cuidados, otimizar recursos e tempo dos profissionais de saúde e proporcionar um melhor acompanhamento dos pacientes. Metodologia: Foi realizado um estudo quantitativo para validar e comparar a eficácia de diferentes modelos preditivos na estimativa do tempo de duração dos tratamentos ortodônticos com alinhadores Invisalign. A análise dos dados foi conduzida utilizando regressão linear com validação cruzada para assegurar a robustez dos resultados e evitar overfitting. A validação cruzada foi implementada dividindo o conjunto de dados em múltiplas subamostras, utilizando cada subconjunto para o treinamento e teste do modelo em diferentes combinações. Além da regressão linear, outros modelos preditivos foram avaliados, incluindo regressão logística e perceptrons com diferentes camadas ocultas. A métrica de desempenho utilizada foi o erro quadrático médio (EQM), para quantificar a acurácia das previsões. Uma análise comparativa identificou o modelo mais adequado considerando a precisão preditiva e a aplicabilidade prática na área de enfermagem. Resultados: A regressão Linear apontou um EQM de 1,78, mostrando um desempenho razoável. A Regressão Logística, com um EQM de 5,33, teve o pior desempenho. O Perceptron com uma camada oculta, apresentou um EQM de 1,56, mostrando melhor desempenho. Com relação ao Perceptron com duas camadas ocultas, o EQM foi de 1,61, com um desempenho ligeiramente inferior ao de uma camada. O Perceptron com três camadas ocultas e um EQM de 1,63, apresentou desempenho similar ao de duas camadas. Os resultados mostram que o perceptron com uma camada oculta foi o modelo mais eficaz para a predição dos dados, com o menor erro quadrático médio. A regressão logística teve o pior desempenho, enquanto a regressão linear apresentou um desempenho intermediário. Os perceptrons com múltiplas camadas ocultas não apresentaram melhorias significativas em relação ao modelo com uma camada oculta, sugerindo overfitting ou complexidade desnecessária. Conclusão: A utilização de inteligência artificial (IA) na avaliação do cuidado ortodôntico, bem como na educação e pesquisa em saúde e enfermagem, permite uma análise mais robusta e detalhada dos dados. As predições geradas pela IA podem informar políticas e práticas, garantindo uma base científica sólida para a tomada de decisões. A predição de tratamentos ortodônticos com IA, alinhada aos referenciais teórico-filosóficos e metodológicos da gestão e avaliação em enfermagem e saúde, mostra como a inovação tecnológica pode ser eficazmente integrada em contextos de saúde, promovendo avanços significativos na qualidade dos cuidados prestados. Para este conjunto de dados, o modelo de perceptron simples com uma camada oculta foi o mais adequado para a predição, destacando a importância de escolher o modelo correto para otimizar os recursos e melhorar o acompanhamento dos pacientes em tratamentos ortodônticos.",
 	publisher = {Faculdade de Medicina de São José do Rio Preto},
 	scholl = {Programa de Pós-Graduação em Enfermagem},
 	note = {Faculdade 1::Departamento 2}
}