Atualmente, um dos grandes gargalos em saúde mental é a busca por fatores causais multifatoriais para auxílio na identificação e diferenciação do diagnóstico de transtornos mentais. Este trabalho tem como objetivo identificar, modelar e avaliar, com base em algoritmos de extração de regras, um conjunto mínimo relevante e suas relações entre variáveis de sinais e sintomas, variáveis relacionadas a fatores de risco socioambientais e propriedades de material biológico a fim de caracterizar transtornos psicóticos em primeiro episódio, em particular esquizofrenia, transtorno bipolar e transtorno depressivo. Os métodos consistem de 4 principais etapas [1] Pré-processamento; [2] Extração de padrões; [3] Avaliação e [4] Desenvolvimento de uma ferramenta web. O conjunto de dados inicial era composto por 488 indivíduos descritos por 357 atributos e envolvendo 9 diferentes grupos de características. Para classificação de transtornos psicóticos (caso e controle), foram apresentadas 6 regras finais descritas por 10 características em 2 grupos distintos de dados; nessa análise, o algoritmo de indução de regras RIPPER se destacou dos demais, tendo maior desempenho geral e regras majoritárias com alto valor de suporte (acima de 80%). Para classificação de identificação de diagnósticos (esquizofrenia, transtorno bipolar, transtorno depressivo e controle), foram apresentadas 14 regras finais, descritas por 31 características em 5 grupos distintos de dados; nessa análise, os algoritmos PART e RIPPER mostraram-se bons candidatos para exploração desse tipo de conjunto de dados, em sua maioria, obtiveram performances satisfatórias (acima de 70%). Por fim, viabilizou-se uma ferramenta web - a PEP HELP - para apoio à decisão clínica no diagnóstico de esquizofrenia, transtorno depressivo e transtorno bipolar em primeiro episódio psicótico, que incorpora os modelos de decisão construídos. Dessa maneira, os algoritmos de extração de regras mostraram-se ferramentas promissoras para exploração de variáveis clínicas no contexto de transtornos psicóticos, obtendo características e relações relevantes, com boa acurácia e com alinhamento na literatura clínica da área. Os achados do trabalho poderão apoiar o processo diagnóstico em saúde mental.

Nowadays, one of the major issue in mental health is the search for multifactorial causal factors to aid the identification and differentiation in the diagnosis of mental disorders. This work aims to identify, model, and evaluate, based on rule extraction algorithms, a relevant minimum set and its relationships among variables of signs and symptoms, variables related to socioenvironmental risk factors, and properties of biological material, in order to characterize psychotic disorders in the first episode, in particular schizophrenia, bipolar disorder, and depressive disorder. The methods were developed in 4 main steps: [1] Pre-processing; [2] Extraction of patterns; [3] Evaluation and [4] Development of a web tool. The initial data set consisted of 488 individuals described by 357 attributes and involving 9 different groups of characteristics. For the classification of psychotic disorders (case and control), 6 final rules were presented, described by 10 characteristics in 2 different data groups. In this analysis, the RIPPER rules induction algorithm stood out, with the highest performance and majority rules with a high support value (above 80%). For classification of diagnostic identification (schizophrenia, bipolar disorder, depressive disorder, and control), 14 final rules were presented, described by 31 characteristics in 5 different data groups. In this analysis, the PART and RIPPER algorithms proved to be good candidates for the exploration of this type of data set, obtained a satisfactory performance (above 70%). In addiction, a web tool - the PEP HELP - was made available to support the clinical decision in the diagnosis of schizophrenia, depressive disorder, and bipolar disorder, in the first psychotic episode, which incorporates the built decision models. In this way, the rule extraction algorithms proved to be promising tools to explore clinical variables in the context of psychotic disorders, obtaining a relevant group of characteristics and relationships, with good precision and alignment in the clinical literature of the area. The results of this work might support the diagnostic process in mental health.