Este trabalho desenvolve um modelo para análise de variáveis craniométricas que utiliza as Redes Neurais Artificiais Paraconsistentes, assentadas na Lógica Paraconsistente Anotada de dois valores. Tal lógica possui a capacidade de mensurar incerteza, inconsistência e paracompleteza. A Lógica Paraconsitente vem sendo empregada em diversas aplicações sujeitas a estas situações, constituindo nova ferramenta matemática em Inteligência Artificial. O trabalho tem como principal objetivo melhorar o diagnóstico cefalométrico. O modelo desenvolvido recebe as medidas das variáveis craniométricas de um determinado paciente e as compara com as médias das variáveis craniométricas normais de uma amostra da população brasileira. Esta amostra é composta de crianças e adolescentes de ambos os sexos, na faixa etária de 6 a 18 anos, utilizadas neste trabalho como valores de referência de normalidade. A análise cefalométrica aqui proposta consiste em quantificar discrepâncias esqueletais e dentárias sob a Lógica Paraconsistente. O uso das Redes Neurais Artificiais Paraconsistentes permite agregar ao méto do um fator de incerteza, respeitando o diagnóstico ortodôntico tradicional, e ao mesmo tempo, contextualiza diferentes regiões craniofaciais. O resultado da análise consiste dos graus de discrepância esqueletal, anteroposterior e vertical, e graus de discrepância dentárias, relativas aos incisivos inferiores e superiores. Variáveis craniométricas de 120 pacientes foram processadas pelo modelo proposto e avaliadas por três especialistas em Ortodontia. De acordo com o índice Kappa, houve desde concordância satisfatória até concordância quase perfeita entre o modelo e os especialistas, de acordo com as variáveis consideradas. As opiniões inter-especialista são substancialmente similares às comparações entre os especialistas e o modelo apresentado, o que reflete o potencial do modelo como um sistema especialista. A utilização de técnicas de Inteligência Artificial através da Lógica Paraconsistente, permitiu significante melhora na análise cefalométrica proposta. O modelo apresentado pode ser adaptado a outras amostras ou populações, com a adaptação dos valores de referência iniciais de normalidade.

This work shows the development of an unequal craniometric analysis model, which uses Paraconsistent Neural Network, based upon Paraconsistent Logic with two values. Such logical approach has the capability to handle concepts as uncertainness, inconsistency and paracompleteness. It has been used on diverse applications which present such features, constituting a new mathematical tool in Artificial Intelligence. The presented methodology had as main goal to booster diagnosis in Orthodontics. The developed model processes craniometric measures of a specific person, and compares to the expected means drawn from a Brazilian sample, comprised of children and adolescent individuals, ranging from 6 to 18 year-old, of both genders. The current cephalometric analysis, developed under the approach of Paraconsistent Logic, quantifies skeletal and dental discrepancies. The use of Paraconsistent Neural Network allows aggregating a factor of vagueness, respecting the limits of traditional orthodontic classification. At the same time, it contextualizes variables of different craniofacial regions. The results of the analysis are expressed through degrees of skeletal discrepancies, in the anteroposterior and vertical dimensions, and degrees of dental discrepancies, for the upper and lower incisors. Cephalometric va lues of a sample of 120 patients were processed by the paraconsistent model and analyzed by three specialists in Orthodontics. According to Kappa index, the agreement between the model and the specialists ranged from moderate to almost perfect, according to the variables considered. The inter-observer opinions were substantially similar to the mathematical model, which reflects the potential of the model as a specialist system. The use of Artificial Intelligence methods throughout Paraconsistent Logics, allowed significant improvement in cephalometric assessment. The presented model can be applied in different samples or populations, with adaptation of the degrees of normality as initial references.