2026-09-19T17:41:21Zhttps://repositorioaberto.uab.pt/server/oai/request

oai:repositorioaberto.uab.pt:10400.2/199882025-07-10T02:11:41Zcom_10400.2_15716com_10400.2_15395com_10400.2_15392col_10400.2_15717

Oliveira, Teresa A. Carvalho, Davide Maurício Costa Mubayi, Anuj Pereira, José António Ferreira Lobo 2025-07-09T14:57:24Z 2025-07-09T14:57:24Z 2025-05-12 2025-07-09 http://hdl.handle.net/10400.2/19988 urn:tid:101821654 101821654 Tese de Doutoramento em Matemática Aplicada e Modelação, apresentada à Universidade Aberta Os levantamentos epidemiológicos de saúde periodontal exigem um tempo de exame extenso quando realizados através de avaliações completas da boca, o que sobrecarrega participantes e examinadores. Para aliviar isso, utiliza-se exames parciais da boca, omitindo intencionalmente alguns dados. No entanto, esses métodos podem levar a estimativas enviesadas de prevalência. Esta dissertação aborda essa questão aplicando métodos IA-fuzzy para imputação de dados ausentes em levantamentos epidemiológicos com avaliações unilaterais das arcadas dentárias. Usando técnicas avançadas de machine learning, esta investigação visa melhorar a predição de valores omitidos intencionalmente, garantindo estimativas de prevalência não enviesadas. A revisão da literatura destaca a complexidade da periodontite e as limitações dos métodos tradicionais de imputação de dados na gestão de dados ausentes. O estudo utiliza dados de exames periodontais do National Health and Nutrition Examination Survey (NHANES) e emprega métodos estatísticos avançados para avaliar a simetria dentária. O método de imputação Mãe-Filha (MoDau), baseado em modelos XGBoost, foi desenvolvido para aprimorar a qualidade dos dados imputados. Os resultados indicam que a função de medição de simetria (SM) avalia eficazmente a simetria da profundidade de sondagem periodontal (pocket probing depth, PPD), mostrando forte correlação com as avaliações profissionais. O método Modau exibe uma precisão preditiva robusta, especialmente para categorias mais altas de PPD, embora apresente discrepâncias nos valores mais baixos. Este estudo ressalta a utilidade clínica e epidemiológica da função SM e o potencial dos métodos Artificial Inteligence-fuzzy (AI-fuzzy) para melhorar a imputação de dados. Pesquisas futuras devem explorar a aplicação desses métodos em outras áreas odontológicas e integrar técnicas adicionais de inteligência artificial (IA) para refinar ainda mais os modelos preditivos. Periodontal health surveys require extensive examination time when conducting fullmouth assessments, which can burden participants and examiners. To alleviate this, partial-mouth examinations are employed, intentionally omitting some data. However, these methods can lead to biased prevalence estimates. This dissertation addresses this issue by applying neuro-fuzzy methods for imputing missing data in epidemiological surveys with unilateral dental arch assessments. Using advanced machine learning techniques, the research aims to improve the prediction of intentionally omitted values, ensuring unbiased prevalence estimates. The literature review highlights the complexity of periodontitis and the limitations of traditional data imputation methods in handling missing data. Neuro-fuzzy techniques offer a more adaptive and precise approach, learning intrinsic patterns in the data for better imputation. The study utilizes data from National Health and Nutrition Examination Survey (NHANES) periodontal examinations and employs advanced statistical methods to assess dental symmetry. The Mother-Daughter (MoDau) imputation method, based on XGBoost models, was developed to enhance the quality of imputed data. Results indicate that the symmetry measurement function (SM) effectively evaluates periodontal probing depth (PPD) symmetry, showing strong correlation with professional evaluations. The Daughter models exhibit robust predictive accuracy, especially for higher pocket probing depth (PPD) categories, though discrepancies in lower PPD values suggest room for improvement. Hyperparameter tuning significantly enhanced model performance, and introducing a noise level of 0.4 in data simulation ensured realistic model testing. This study underscores the clinical and epidemiological utility of the SM function and the potential of artificial intelligence-fuzzy (AI-fuzzy) methods to improve data imputation. Future research should explore the application of these methods in other dental fields and integrate additional AI techniques to refine predictive models further. eng http://creativecommons.org/licenses/by-nc-nd/4.0/ Periodontal Dados ausentes planeados Imputação de dados Inteligência artificial Simetria difusa Simetria oral Planed missing data Data imputation Artificial intelligence Fuzzy symmetry Oral symmetry Missing data handling in health sciences a neuro-fuzzy methods approach doctoral thesis Doutoramento em Matemática Publication 04:Educação de Qualidade 09:Indústria, Inovação e Infraestruturasopen.access