طراحی سیستم پشتیبان تصمیم بالینی برای تمایز اختلال نارسایی توجه / بیش فعالی از اختلال‌های عاطفی-رفتاری با نشانه های مشابه: مقایسه دو شبکه عصبی مصنوعی رایج

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای روانشناسی و آموزش کودکان استثنایی، دانشکده روانشناسی و علوم تربیتی، دانشگاه تهران، تهران، ایران

2 استاد، دانشکده مهندسی پزشکی، عضو هیئت علمی‌‌‌‌‌دانشگاه صنعتی امیرکبیر، تهران، ایران

3 روانپزشک، دانشیار دانشکده علوم توانبخشی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران

4 استاد ممتاز، دانشکده روانشناسی و علوم تربیتی، عضو هیئت علمی‌‌‌‌‌دانشگاه تهران، تهران، ایران

5 دانشکده روانشناسی و علوم تربیتی، دانشگاه تهران، تهران، ایران

6 دانشیار، دانشکده مهندسی پزشکی، عضو هیئت علمی‌‌‌‌‌دانشگاه صنعتی امیرکبیر، تهران، ایران

10.22037/jrm.2016.1100210

چکیده

مقدمه و اهداف
اختلالات رفتاری در کودکان و نوجوانان شیوع زیادی یافته است. بسیاری از این کودکان به دلیل رفتار­های خصمانه و پرخاشگرانه، از سوی والدین، معلمان و همتایانِ خود طرد می­شوند و همین امر موجب کاهش فرصت­های آموزشی آنان خواهد شد. بنابراین ضرورت شناختِ زودهنگام و هرچه دقیق­تر آنان، به طور کامل محسوس است. تشخیص و تمیز هر چه سریعتر میان ADHD از سایر اختلالات عاطفی-رفتاری مشابه، مانند افسردگی، اضطراب، اضطراب و افسردگی همزمان، و اختلال سلوک، یکی از اقدامات مهم و اساسی در حیطۀ اختلالات روانشناختی کودکان است.
مواد و روش‌ها
 نمونه شامل 271 کودک، شامل 44 کودک گرفتار به ADHD، 31 کودک با تشخیص اختلال سلوک، 35 نفر با اختلال افسردگی، 33 نفر با اضطراب و افسردگی همزمان، 41 نفر با اختلال اضطراب و 87 کودک با رفتار طبیعی ولی با نشانه پرخاشگری موقت بودند. در این مطالعه دو سیستم متفاوت حمایتگر تصمیم، شامل شبکه عصبی مصنوعی چندلایه پرسپترون و شبکه عصبی تابع پایه شعاعی، بر اساس نشانه‌‌ها و علایم طراحی و مقایسه گشتند.
یافته ها
 میانگین دقت شبکه‌‌ها در تشخیص و تمییز اختلالات به 95.57 و 96.30 درصد به ترتیب توسط شبکه‌‌های عصبی چندلایه پرسپترون و تابع پایه شعاعی رسید. در نتیجه سیستم‌های طراحی شده، به‌ویژه شبکه تابع پایه شعاعی، احتمالا دستیار قابل اعتمادی برای متخصصان در تشخیص و تمیز کودکان با اختلالات عاطفی-رفتاری خواهند بود.
نتیجه گیری
هر دو سیستم طراحی شده، به ویژه شبکه تابع پایه شعاعی، می‌توانند به عنوان یک ابزار مناسب جهت تمییز و تشخیص و همچنین ابزار غربالگری قابل اعتماد برای اختلالات عاطفی-رفتاری کودکان مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Designing a clinical decision support system for differentiating attention deficit/hyperactivity disorder from emotional-behavioral disorders with similar symptoms: Comparison of two common artificial neural networks

نویسندگان [English]

  • Mona Delavarian 1
  • Farzad Towhidkhah 2
  • Parvin Dibajnia 3
  • Gholam Ali Afrooz 4
  • Elahe Nayebi 5
  • Shahriar Gharibzadeh 6
1 Ph.D Student of Exceptional Child Psychology, Depatment of Psychology and Education, University of Tehran, Tehran, Iran
2 Professor, Department of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran
3 Associated Professor, Psychiatrist, School of Rehabilitation, Shahid Beheshti University of Medical Sciences, Tehran, Iran
4 4. Distinguished Professor, Department of Psychology and Education, University of Tehran, Tehran, Iran
5 Department of Psychology, University of Tehran, Tehran, Iran
6 Associated Professor, Department of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran.
چکیده [English]

Background and Aim: The incidence of behavioral disorders among children and teenagers has recently found interest among researchers. Due to their harsh and offensive mood, most of the affected individuals are rejected from their families and society, which leads to decreasing their chance of normal development, so it is important to identify and treat them in the course as early as possible. Diagnosing and distinguishing attention deficit/hyperactivity disorder from other similar behavioral disorders such as depression, anxiety, comorbid depression and anxiety, and conduct disorders is one of the most important and essential proceedings in field of child psychology disorders.
Materials and Methods: The samples consisted of 271 children, including 44 with ADHD, 31 with conduct, 35 with depression, 33 with mixed depression and anxiety, and 41 with anxiety as well as 87 children with normal but temporarily aggressive behavior. In the present study, two different decision support systems, multilayer perceptron and Radial Basis Function neural networks, were designed and compared based on the signs and symptoms.
Results: The mean of accuracy of the networks in diagnosis and distinguishing reached to 95.57 and 96.30 percentages with MLP and RBF, respectively. Therefore, the designed decision support systems, especially RBF, was observed to be a reliable assistant for the experts in the diagnosis and distinguishing the mentioned behavioral disorders.
Conclusion: Both designed systems, especially RBF, can be used as a reliable device for distinguishing, diagnosing, and also screening of child emotional and behavioral disorders

کلیدواژه‌ها [English]

  • Attention deficit/hyperactivity disorder
  • Anxiety disorder
  • Child depression disorder
  • Conduct disorder
  • Multi-layer perceptron neural network
  • Radial basis function neural network
  1. American Psychiatric Association. Fifth edition of Diagnostic and statistical manual of mental disorders (DSM V). Washington, DC. 2013.##
  2.  Agency for Health Care Policy and Research. Rockville. Diagnosis of Attention-Deficit/Hyperactivity Disorder. Summary, Technical Review 1999; Number 3.##
  3. Raoufy M.R., Vahdani P., Alavian S.M., Fekri S., Eftekhari P., Gharibzadeh SH.  A Novel Method for Diagnosing Cirrhosis in Patients with Chronic Hepatitis B: Artificial Neural Network Approach. Journal of Medical Systems 2009; 35: P.121-126.##
  4. Sadock BJ., Sadock VA. Kaplan & Sadock’s Synopsis of Psychiatry: Behavioral Sciences/Clinical Psychiatry, 10th Edition. Lippincott Williams & Wilkins, 2007.##
  5. Harrington R. Assessment of psychiatric disorders in children. Psychiatry 2005; 4: P.19–22.##
  6. Bruce H. Evans N. Assessment of child psychiatric disorders. Psychiatry 2008; 7: P.242–245.##
  7. Pritchard M. Observation of children in a psychiatric in – patient unit.  Br. J. Psychiatry 1963; 109: P.572-578 .##
  8. Musisi S., Kinyanda E., Nakasujja N., Nakigudde J. A comparison of the behavioral and emotional disorders of primary school-going orphans and non- orphans in Uganda. African Health Sciences 2007; 7: P. 202–213.##
  9. Giannakopoulos G.,   Kazantzi M.,   Dimitrakaki C.,   Tsiantis J.,   Kolaitis G.,   Tountas, Y. Screening For Children’s Depression Symptoms In Greece: The Use Of The Children’s Depression Inventory in a nation-Wide School-Based Sample ”, Eur child Adolesc Psychiatry, 2009;  18: P. 485-492.##
10. Nair J., Nair S.S., Kashani J.H., Reid J.C., Mistry S.I., Vargas V.G. Analysis of the symptoms of depression- A neural network approach. Psychiatry Research 1999; 87: P.193–201.##

  1. 11.  Giedd JN., Castellanos FX., Casey BJ., Kozuch P., King AC., Hamburger SD., Rapoport JL. Quantitative morphology of the corpus callosum in attention deficit hyperactivity disorder. The American Journal of Psychiatry 1994; 151: P. 665–669##
12. Murias M. Swanson JM. Srinivasan R. Functional connectivity of frontal  cortex in healthy and ADHD children reflected in EEG coherence. Cerebral Cortex 2007; 17: P. 1788–1799.##

13. Özyılmaz L. Yıldırım T. Artificial Neural Networks for Diagnosis of Hepatitis Disease. International Joint Conference on Neural Networks 2003; 1: P. 586–589.##

14. Zou Y., Shen Y., Shu L., Wang Y., Feng F., Xu K., Ou Y., Song Y., Zhong Y., Wang M., Liu W. Artificial neural network to assist psychiatric diagnosis. The British Journal of Psychiatry 1996; 169: P. 64–67. ##

  1. 15.  Tryon W.W. Chapter 11 – Clinical Implications of Network Principles 3–12, 2014: P. 501–561##
  2. 16.  Steiner N.J., Sheldrick R.C., Gotthelf D., Perrin E. Computer-Based Attention Training in the Schools for Children with Attention Deficit/Hyperactivity Disorder: A Preliminary Trial. CLIN PEDIATR 2011; 50: P. 615-622.##
17. Pierce J.S., Hostutler C., Watson T.S. A pilot study using a computer-based  rule following task to distinguish adolescents with and without a behavior disorder. Computers in Human Behavior 2012; 28: P. 1103- 1108.##

18. Krebs G., Liang H., Hilton K., Macdiarmid F., Heyman I. Computer- assisted assessment of obsessive-compulsive disorder in young people: a preliminary evaluation of the Development and Well-Being Assessment. Child and Adolescent Mental Health 2012; 17: 246-251.##

  1. 19.  Delavarian M., Nayebi E., Afrooz G.A., Gharibzadeh S, Towhidkhah F. Designing an accurate system for differentiating children with attention deficit-hyperactivity disorder from oppositional defiant disorder by using artificial neural network, Scientific journal of rehabilitation medicine 2015; 4 (1): P. 90-98.##
  2. 20.  Bashyal SH. Classification of psychiatric disorders using artificial neural network. Lecture Notes in Computer Science 2005; P. 796–800##
21. Kecman V. Learning and Soft Computing: Support Vector Machines. Neural Networks and Fuzzy Logic Systems (Complex Adaptive Systems). MIT Press, Cambridge, Massachusetts 2001.##

  1. 22.  [Price RK., Spitznagel EL., Downey TJ., Meyer DJ., Risk NK., el-Ghazzawy OG. Applying artificial neural network models to clinical decision making. Psychological  Assessment 2000; 12: P.40–51.##
  2. 23.  Dreyfus G. neural networks: an overview. Neural networks methodology and applications (EBook) 2005; 497.##
24. Ghosh-Dastidar S., Adeli H., Dadmehr N. Principal component analysis-enhanced cosine radial basis function neural network for robust epilepsy and seizure detection. IEEE Transactions on Biomedical Engineering 2008; 555: P.12–51.##

25. Pedrycz W., Rai R., Zurada J. Experience-consistent modeling for radial basis function neural networks. International Journal of Neural System 2008; 18: P.279–292.##

26. Savitha R., Suresh S., Sundararajan N. A fully complexvalued radial basis function network and its learning algorithm. International Journal of Neural Systems 2009; 19: P.253–267.##

27. Langberg JM., Froehlich TE., Loren RE., Martin JE., Epstein JN. Assessing children with ADHD in primary care settings. Expert Review of Neurotherapeutics 2008; 8: P. 627–41.##

28. Bennett C.C., Hauser K. Artificial intelligence framework for simulating clinical decision-making: A Markov decision process approach. Artificial Intelligence in Medicine 2013; 57(1): P.9–19##

29. Yevseyeva I., Miettinen K., Räsänen P. Decision support system for attention deficit hyperactivity disorder diagnostics. ORP3 2005; Valencia, P.6–10.##