Desafios e oportunidades na integração do ambiente clínico e digital para apoio ao diagnóstico da gagueira
DOI:
https://doi.org/10.5753/compbr.2023.51.3992Keywords:
Gagueira, Diagnóstico, Ciência de Dados, Aprendizado de MáquinaAbstract
A gagueira é um transtorno da fluência que surge na infância. O diagnóstico é realizado pelo fonoaudiólogo, a partir da análise da história clínica e avaliação da fluência na fala. Contudo, os procedimentos de diagnóstico são normalmente manuais e dependem da experiência do examinador. Este artigo discute como a integração do ambiente clínico com o mundo digital pode apoiar os procedimentos citados, indicando oportunidades por meio da automação de registros em saúde, softwares para avaliação da fluência e do uso de Aprendizado de Máquina.
Downloads
Referências
AMERICAN PSYCHIATRIC ASSOCIATION. Childhood-Onset Fluency Disorder (Stuttering). In: Diagnostic and statistical manual of mental disorders. 5th ed. Washington, DC: American Psychiatric Association, 2022.
YAIRI, E.; AMBROSE, N. Epidemiology of stuttering: 21st century advances. Journal of Fluency Disorders, v. 38, n. 2, p. 66-87, 2013.
ETCHELL, A. C. et al. A systematic literature review of neuroimaging research on developmental stuttering between 1995 and 2016. Journal of Fluency Disorders, v. 55, p. 6-45, 2018.
ANDRADE, C. R. F. Fluência. In: ANDRADE, C. R. F.; BEFI-LOPES, D. M.; FERNANDES, F. D. M.; WERTZNER, H. F. (Eds.). ABFW - Teste de Linguagem Infantil: nas áreas de Fonologia, Vocabulário, Fluência e Pragmática. São Paulo: Pró-Fono, 2023.
JANSSON-VERKASALO, E. et al. Speech disfluencies in typically developing Finnish-speaking children – preliminary results. Clinical Linguistics & Phonetics, 2021.
RILEY, G. The Stuttering Severity Instrument for Adults and Children (SSI-4) (4th ed.). Austin, TX: PRO-ED, 2009.
REZAI, H. et al. Duration of stuttered syllables measured by "Computerized Scoring of the Stuttering Severity (CSSS)" and "Pratt". Iranian Rehabilitation Journal, 2017.
MACWHINNEY, B.; BERNSTEIN RATNER, N. Dynamic norming and open science. Journal of Speech, Language, and Hearing Research, v. 65, n. 3, p. 1183-1185, 2022.
OLIVEIRA, L. P. et al. Deep Learning Library Performance Analysis on Raspberry (IoT Device). 2021. doi: https://doi.org/10.1007/978-3-030-75100-5_33.
MITCHELL, T. Machine Learning. New York, NY: McGraw-Hill, 1997.
MARTÍNEZ-PLUMED, F. et al. CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering, v. 33, n. 8, p. 3048-3061, 01 de agosto de 2021. Doi: 10.1109/TKDE.2019.2962680.
LECUN, Y. et al. Deep learning. Nature, v. 521, p. 436-444, 2015. Disponível em: https://doi.org/10.1038/nature14539.
BARRETT, L.; HU, J.; HOWELL, P. Systematic Review of Machine Learning Approaches for Detecting Developmental Stuttering. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2022. doi: 10.1109/TASLP.2022.3155295.
HOWELL, P.; SACKIN, S. Automatic recognition of repetitions and prolongations in stuttered speech. In: Proceedings of the first World Congress on fluency disorders. Nijmegen, The Netherlands: University Press Nijmegen, 1995.
SHEIKH, S. A. et al. Machine learning for stuttering identification: Review, challenges and future directions. Neurocomputing, 2022. doi: https://doi.org/10.1016/j.neucom.2022.10.015.
Downloads
Published
Como Citar
Issue
Section
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
