Geri Dön

Dikkat eksikliği ve hiperaktivite bozukluğu olan çocuklarda davranım bozukluğu gelişme riskini yordayan faktörlerin makine öğrenmesi yöntemiyle değerlendirilmesi

Machine learning assessment of risk factors for conduct disorders in childrens with attention deficit hyperactivity disorder

PDF İndir

  1. Tez No: 1010622
  2. Yazar: BÜŞRA ÇAĞIR
  3. Danışmanlar: DOÇ. DR. SEVGİ ÖZMEN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Psikiyatri, Psychiatry
  6. Anahtar Kelimeler: Davranım bozukluğu, Destek vektör makinesi, Dikkat eksikliği ve hiperaktivite bozukluğu, Makine öğrenmesi, Risk faktörleri, Attention deficit hyperactivity disorder, Conduct disorder, Machine learning, Risk factors, Support vector machine
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmada, Dikkat Eksikliği ve Hiperaktivite Bozukluğu (DEHB) tanısı olan çocuk ve ergenlerde Davranım Bozukluğu (DB) gelişme riskini yordayan faktörlerin makine öğrenmesi algoritmalarıyla modellenmesi amaçlanmıştır. DEHB'nin karmaşık yapısı ve DB ile olan sık birlikteliği göz önüne alındığında, erken dönemde riskli bireyleri belirleyebilecek veri odaklı bir öngörü modeli geliştirmek bu çalışmanın temel amacını oluşturmuştur. Yöntem: Çalışmaya Erciyes Üniversitesi Tıp Fakültesi Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Polikliniği'ne başvuran 11–18 yaş aralığında olan toplam 138 çocuk (100 DEHB, 38 DEHB+DB) dahil edilmiştir. 11-18 yaş aralığındaki çocuklara Katı-Duygusuz Özellikleri Tarama Ölçeği, İlişki Ölçekleri Anketi-Ergen, KA-Sİ Çocuk ve Ergenler İçin Empatik Eğilim Ölçeği-Ergen Formu, Kısa Psikolojik Sağlamlılık Ölçeği, Çocuk ve Ergen Zorbalık Ölçeği, Çocukluk Çağı Travma Ölçeği; bu çocukların ebeveynlerine SCL-90 Psikolojik Belirti Tarama Listesi, Temps-A Mizaç Ölçeği, Çocukluk Çağı Travma Ölçeği, Conners Ebeveyn Değerlendirme Ölçeği, Ebeveyn Tutum Ölçeği uygulanmıştır. Tüm katılımcılardan sosyodemografik bilgi formu alınmıştır. Katılımcılardan ve ebeveynlerinden elde edilen sosyodemografik ve ölçek verileriyle birlikte toplam 99 değişken analiz edilmiştir. Sınıflandırma amacıyla Lojistik Regresyon, Karar Ağacı, Rastgele Orman, SVM, Gradyan Artırma, YSA makine öğrenmesi algoritmaları uygulanmıştır. Model performansları doğruluk (accuracy), duyarlılık (recall), özgüllük (specificity) ve ROC (Receiver operating characteristics) eğrileriyle değerlendirilmiştir. Bulgular: Çalışmada Ki-Kare ve MRMR analizleri sonucunda,“disiplin cezası”(χ2=11.90, MRMR Skoru=0.0027),“okula devamsızlık”(χ2=14.55, MRMR Skoru=0.0014),“anne eğitimi”(χ2 =12.65, MRMR Skoru=0.0949),“çocuğun fiziksel istismarı(χ2=8.45, MRMR Skoru=0.0057), ”akranlarında sigara kullanımı“(χ2=7.95, MRMR Skoru =0.0028), ”akranlarında suça karışma öyküsü“ (χ2=4.1990, MRMR Skoru=0.0018), ”ailede suça sürüklenme öyküsü“ (χ2=7.81, MRMR Skoru =0.0065), ”DEHB tanı yaşının 12 ve üzerinde olması“ (χ2=4.8268,MRMR Skoru =0.0103), ”ilaçsız kalınan dönem“ (χ2=5.52, MRMR Skoru = 0.0208) DB gelişimini en güçlü biçimde yordayan değişkenler olarak belirlenmiştir. MRMR analizinde ek olarak, ”konuşmada gecikme öyküsü“ (MRMR Skoru=0.0163), ”bebeklikte uyku problemi“ (MRMR Skoru=0.0850), ”doğumda komplikasyon olması“ (MRMR Skoru=0.0057) gibi değişkenler önemli olarak saptanmıştır. Lojistik regresyon analizinde; çalışmada kullanılan makine öğrenmesi modelinin açıklama gücü yüksek bulunmuştur (Nagelkerke R²=0,813; p<0,05), ”disiplin cezası“, ”okula devamsızlık“, ”düşük anne eğitimi“ ve ”fiziksel istismar" değişkenleri anlamlı risk faktörleri olarak öne çıkmıştır. Makine öğrenmesi modelleri arasında en yüksek sınıflandırma performansı SVM algoritmasıyla elde edilmiştir. (Doğruluk = 89,8%; AUC= 0,8989; F1=0,7097). SVM modeli, DB gelişimi açısından yüksek duyarlılık ve özgüllük dengesine sahip bulunmuştur. Sonuç: Makine öğrenmesi modelleri, çocuk ve ergenlerde DB gelişme riskini öngörmede etkili bir yaklaşım sunmaktadır. Ayrıca çalışmada makine öğrenmesi temelli yaklaşımlara istatistiksel analizlerin entegre edilmesi güçlü ve birbirini tamamlayıcı sonuçlar ortaya koymaktadır. Çocuğun disiplin cezası alması, okula devamsızlık öyküsü, anne eğitim düzeyindeki düşüklük, DEHB geç tanı yaşı ve çocuğun fiziksel istismar öyküsü gibi çevresel ve ailevi faktörler, DB gelişimi açısından belirleyici olarak bulunmuştur. SVM modeli, bu değişkenleri kullanarak yüksek doğrulukta risk tahmini yapabilmiş ve klinik uygulamalarda erken uyarı ve müdahale stratejilerinin geliştirilmesi açısından umut verici bir araç olarak öne çıkmıştır. Çalışmaya ait elde edilen sonuçlar, DB gelişiminin çok boyutlu doğasını vurgulamakta; aile, okul ve klinisyenin iş birliği içinde çalışmasının kritik önem taşıdığını göstermektedir.

Özet (Çeviri)

Objective: This study aims to identify predictive factors for the development of conduct disorder(CD) in children and adolescents diagnosed with attention deficit hyperactivity disorder(ADHD) using machine learning algorithms. Considering the complexity of ADHD and its frequent cooccurence with CD, the primary objective of this study was to develop a data-driven predictive model capable of identifying at-risk individuals at an early stage. Method: A total of 138 children (100 with ADHD, 38 with ADHD+CD) aged 11–18 years who attended the Child and Adolescent Mental Health and Disorders Outpatient Clinic at Erciyes University Faculty of Medicine were included in the study. The following scales were administered to children aged 11–18 the Inventory of Callous-Unemotional Traits (ICU), the Relationship Scales Questionnaire-Adolescent, the KA-Sİ Empathetic Tendencies Scale for Children and Adolescents, the Brief Resilience Scale, the Child and Adolescent Bullying Scale, Childhood Trauma Scale, and for the parents of these children, the SCL-90 Psychological Symptom Screening List, Temps-A Temperament Scale, Childhood Trauma Scale, Conners Parent Rating Scale, and Parent Attitude Scale were administered. A sociodemographic information form was collected from all participants. A total of 99 variables, including sociodemographic and scale data collected from both participants and their parents, were analysed. For classification purposes, the machine learning algorithms Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, Gradient Boosting, and Artificial Neural Network (ANN) were applied. Model performance was evaluated using accuracy, sensitivity, specificity, and ROC curves. Results: In our study, Chi-Square and MRMR analyses identified“disciplinary punishment”(χ2 =11.90, MRMR Skoru= 0.0027),“school absenteeism”(χ2 =14.55,MRMR Skoru= 0.0014),“low maternal education”(χ2 =12.65, MRMR Skoru=0.0949),“children's physicial abuse”(χ2=8.45, MRMR Skoru=0.0057) and“smoking in peers”(χ2=7.95, MRMR Score =0.0028),“history of peer involvement in crime”(χ2=4.1990, MRMR Score=0.0018),“family history of involvement in crime”(χ2=7.81, MRMR Score = 0.0065),“age of ADHD diagnosis”(χ² = 4.8268, MRMR Score = 0.0103), and“period without medication”(χ² = 5.52, MRMR Score=0.0208) were determined to be the variables that most strongly predicted CD development In addition to MRMR analysis, variables such as“speech delay”(MRMR Skoru=0.0163),“infant sleep problem (MRMR Skoru=0.0850) and ”complications during birth" (MRMR Skoru=0.0057) were found to be significant. In logistic regression analysis, the model demonstrated high explanatory power (Nagelkerke R²=0.813; p<0.05), and the variables 'disciplinary punishment,' 'school absenteeism,' 'low maternal education,' and 'physical abuse' emerged as significant risk factors. Among machine learning models, the highest classification performance was achieved with the Support Vector Machines (SVM) algorithm (Accuracy = 89.8%; AUC =0.8989; F1 = 0.7097). The SVM model was found to have a high sensitivity and specificity balance in terms of CD development. Conclusion: Machine learning models offer an effective approach to predicting the risk of CD development in children and adolescents. Furthermore, integrating of statistical analyses with machine learning methods provided a robust framework for identifying key environmental and familial factors such as the child receiving disciplinary punishment, history of school absenteeism, low maternal education level, early age of ADHD diagnosis, and history of physical abuse of the child have been found to be decisive in terms of CD development. The SVM model has been able to make highly accurate risk predictions using these variables and has emerged as a promising tool for developing early warning and intervention strategies in clinical practice. The results obtained from the study emphasize the multidimensional nature of CD development and demonstrate the critical importance of collaboration between the family, school, and clinician.

Benzer Tezler

  1. Tez No

    596321

    Dikkat eksikliği ve hiperaktivite bozukluğu olan çocuklarla tipik gelişim gösteren çocukların sosyal bilgi işleme süreçleri ve yönetici işlev becerilerinin karşılaştırılması

    A comparison of social information processing and executive functioning skills of children with attention deficit and hyperactivity disorder and typically developing children

    HİDAYET DİKİCİ

    Doktora

    Türkçe

    Türkçe

    2019

    Eğitim ve ÖğretimGazi Üniversitesi

    Özel Eğitim Ana Bilim Dalı

    PROF. DR. SELDA ÖZDEMİR

  2. Tez No

    70780

    Dikkat eksikliği ve hiperaktivite bozukluğunda komorbidite, DSM-IV belirti sıklığı ve aile işlevleri

    Attention deficit disorder: Comorbidity, DSM-IV symtom frequency and family functioning

    AYNUR PEKCANLAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1998

    PsikiyatriDokuz Eylül Üniversitesi

    Çocuk Psikiyatrisi Ana Bilim Dalı

    PROF. DR. AYŞEN BAYKARA

  3. Tez No

    650592

    Dikkat eksikliği/aşırı hareket bozukluğu tanılı çocuklara uygulanan bireyselleştirilmiş gelişim destek programının bozukluğun semptomlarına, algılama becerilerine ve aile işlevselliğine etkisinin incelenmesi

    Examination of the effect on the disorder symptoms, perception skills and family functioning of the individualized development support program applied to children with attention deficit hyperactivity disorder

    ELİFCAN CESUR

    Doktora

    Türkçe

    Türkçe

    2020

    PsikolojiAnkara Üniversitesi

    Çocuk Gelişimi Ana Bilim Dalı

    PROF. DR. AYSEL KÖKSAL AKYOL

  4. Tez No

    861502

    Kahramanmaraş merkezli deprem sonrası otizm spektrum bozukluğu olan çocuklarda duygusal/davranışsal sorunlar ile annelerinin anksiyete, depresyon düzeyleri ve başa çıkma tutumlarının değerlendirilmesi

    Evaluation of emotional and behavioral problems in children with autism spectrum disorder and their mothers' anxiety, depression levels, and coping attitudes after the earthquake centered in Kahramanmaras

    KEVSER YENİCİL DAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    PsikiyatriKahramanmaraş Sütçü İmam Üniversitesi

    Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. HATİCE ALTUN

  5. Tez No

    865461

    Obezitesi olan ergenlerde bilinçli farkındalık düzeyleri ve obezitenin komorbid psikiyatrik tanılarla ilişkisi

    Mindfulness levels in adolescents with obesity and the relationship of obesity with comorbid psychiatric diagnoses

    ELİF PEKMEZCİ YAZGI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    PsikiyatriOndokuz Mayıs Üniversitesi

    Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. YUSUF YASİN GÜMÜŞ

Geri Dön