Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: BRUNA LETÍCIA COSTA RODRIGUES
DATA: 29/10/2025
HORA: 14:00
LOCAL: AUDITÓRIO DO CURSO DE ODONTOLOGIA DA UFPI
TÍTULO: Sistema para Predição de Risco de Perda Dentária: Uma Abordagem Baseada em Inteligência Artificial
PALAVRAS-CHAVES: Inteligência Artificial. Aprendizado de Máquina. Perda Dentária.
PÁGINAS: 35
GRANDE ÁREA: Ciências da Saúde
ÁREA: Odontologia
RESUMO:

: INTRODUÇÃO: A perda dentária é um dos desfechos mais graves da saúde bucal, com alta prevalência global e significativos impactos estéticos, funcionais, psicológicos e sociais. No Brasil, o cenário é preocupante, especialmente entre idosos, e está associado a condições sistêmicas como hipertensão, diabetes e declínio cognitivo. Apesar da relevância, os métodos tradicionais de previsão de risco são limitados, dificultando o planejamento individualizado. Modelos baseados em inteligência artificial (IA), como o aprendizado de máquina, emergem como alternativas promissoras para integrar múltiplos fatores e identificar padrões complexos, apoiando decisões clínicas e estratégias de prevenção. Embora já utilizados na medicina, seu uso em odontologia ainda é incipiente, carecendo de validação e implementação prática. OBJETIVO: Este estudo propõe o desenvolvimento de um sistema inteligente composto por dois componentes principais: (i) a criação e validação de modelos preditivos de perda dentária baseados em algoritmos de aprendizado de máquina utilizando dados provenientes do Levantamento Epidemiológico Nacional em Saúde Bucal 2023 (SB Brasil 2023); e (ii) a elaboração de um aplicativo educativo que incorpore o modelo de melhor desempenho. MATERIAIS E MÉTODOS: Trata-se de um estudo quantitativo, analítico e preditivo, que utilizará dados do SB Brasil 2023. As variáveis clínicas, sociodemográficas, comportamentais e sistêmicas serão selecionadas e submetidas a procedimentos de pré-processamento, como limpeza, codificação e normalização. Serão construídos modelos preditivos usando, por exemplo, regressão logística, Random Forest, Gradient Boosting (XGBoost) e redes neurais artificiais. O desempenho será avaliado por validação cruzada, utilizando métricas como Acurácia, Precisão, Revocação (Recall), F1-Score e AUC-ROC. O modelo de melhor desempenho será implementado em um aplicativo interativo e responsivo, desenvolvido com diretrizes de Design Centrado no Usuário, e será integrado a uma API para processamento das previsões. O sistema será testado quanto à funcionalidade e à precisão, garantindo aderência à Lei Geral de Proteção de Dados (LGPD).

MEMBROS DA BANCA:
Presidente - 3450659 - MARTA MARIA ALVES PEREIRA
Interno - 2981909 - MILA OLIVEIRA SANTOS VIANA
Externo à Instituição - 079.***.***-26 - PEDRO RAFAEL DINIZ MARINHO - UFPB
Externo ao Programa - 1446435 - VINICIUS PONTE MACHADO

Cadastrada em: 08/09/2025