Geri Dön

Dikkat eksikliği hiperaktivite bozukluğu'nun tarama ve teşhisinde hızlı, duyarlı ve güvenilir bir tanı aracı olarak makine öğrenimi yöntemlerinin kullanılması

Using machine learning methods as a fast, sensitive and reliable diagnostic tool for screening and diagnosis of attention deficit hyperactivity disorder

PDF İndir

  1. Tez No: 867910
  2. Yazar: ESRA ÇETİN
  3. Danışmanlar: PROF. DR. ESRA ÇÖP
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Psikiyatri, Computer Engineering and Computer Science and Control, Psychiatry
  6. Anahtar Kelimeler: Çocuk ve Ergen, Dikkat Eksikliği Hiperaktivite Bozukluğu, Makine Öğrenimi, Tanı, Child and Adolescent, Attention Deficit Hyperactivity Disorder, Machine Learning, Diagnosis
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Ankara Bilkent Şehir Hastanesi
  11. Ana Bilim Dalı: Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 146

Özet

AMAÇ: Bu çalışmanın amacı; Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB) tanısı olan çocuk ve ergenler ile herhangi bir psikiyatrik hastalığı olmayan sağlıklı çocuk ve ergenlerden elde edilen verilerin makine öğrenimi yöntemleriyle analiz edilerek DEHB'li çocuk ve ergenlerin DEHB'si olmayan çocuk ve ergenlerden ayırt edilmesinde ve DEHB tanısında makine öğrenimi yöntemlerinin kullanıp kullanılamayacağını araştırmaktır. GEREÇ VE YÖNTEM: Çalışma örneklemimiz DEHB grubu (n=61) ve sağlıklı kontrol grubu (n=52) olmak üzere 2 gruptan ve toplam 113 çocuk ve ergenden oluşmuştur. Katılımcıların tümü“Okul Çağı Çocukları için Duygulanım Bozuklukları ve Şizofreni Görüşme Çizelgesi—Şimdi ve Yaşam Boyu Şekli (ÇDŞG-ŞY)”ile değerlendirilmiş ve bu şekilde DEHB grubunda ek tanıların varlığı, kontrol grubunda ise psikiyatrik tanılar dışlanmıştır. Ebeveynler tarafından Conner's Ana/Baba Derecelendirme Ölçeği (CADÖ-48), çocuğun öğretmeni tarafından Conner's Öğretmen Derecelendirme Ölçeği (CÖDÖ-28), çocuklar tarafından 'Çocuk ve Ergenler İçin Depresyon Ölçeği (ÇDÖ) ve Çocukluk Çağı Kaygı Bozuklukları Öz bildirim Ölçeği Çocuk Formu (KAYBÖ)' ve araştırmacı tarafından aileyle birlikte Sosyodemografik Veri Formu ve hastane sistemindeki doktor notu kayıtlarından Doktor Notları İpucu Tarama Formu doldurulmuştur. BULGULAR: Kullanılan 5 makine öğrenimi yönteminde ''Karar Ağacı (KA), Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Lojistik Regresyon (LR), Naive Bayes (NB)'' risk faktörleri veri seti hariç diğer veri setleri ve bunların kombine modelleri ile yüksek duyarlılık, doğruluk, kesinlik, F1 skoru ve Eğrinin Altında Kalan Alan' performans değerleri sağlanmıştır. En yüksek performans Lojistik Regresyon makine öğrenimi algoritması ile elde edilmiştir. Veri setleri kıyaslandığında ise en yüksek doğruluk değerleri sırasıyla üçlü modelde RO, CADÖ-48&CÖDÖ-28 birleştirilmiş ölçek modelinde LR algoritmasında görülmüştür. En düşük performans ölçüt değerleri ise risk faktörü veri seti NB algoritmasında ölçülmüştür. SONUÇ: Conner's derecelendirme ölçekleri, hastalığa ait risk faktörleri ve klinik görüşmede tutulan doktor notlarından elde edilen ipucu kelimeler aracılığıyla oluşturulan modellerin makine öğrenimi algoritmaları ile analiz edilmesi sonucu Dikkat Eksikliği Hiperaktivite Bozukluğu tanısında yüksek doğrulukla kullanılabilir ve DEHB olan ve olmayan bireyleri yüksek sınıflandırma yeteneğine sahiptir. İleride daha büyük örneklemlerden farklı çeşitlerde veri toplama aracı ile elde edilecek daha büyük miktardaki veriler ile makine öğreniminin DEHB tanısında kullanımının doğruluğuna dair bilgilerimiz artacak ve MÖ kullanımının önemi netleşecektir.

Özet (Çeviri)

OBJECTIVES: The purpose of this study is; to differentiate between the children and adolescents who are diagnosed with ADHD and the children and adolescents with no psychiatric diagnosis by analyzing the data obtained from both the children and adolescent with ADHD diagnosis and the children and adolescents with no psychiatric diagnosis with machine learning methods, and to investigate whether machine learning methods can be used in the diagnosis of ADHD. METHOD: Our study sample consists of a total of 113 children and adolescents who are formed by 2 groups which are the group ADHD (n=61) and healthy control group (n=52). All participants were evaluated with the“Kiddie Schedule for Affective Disorders and Schizophrenia for School-Age Children—Now and Lifetime Pattern (K-SADS-PL)”and thus, the presence of additional diagnoses in the ADHD group and psychiatric diagnoses in the control group were excluded. While Conner's Parent Rating Scale (CPRS-48) and Conner's Teacher Rating Scale (CTRS-28) were filled out by the parents and the child's teacher respectively, the Child Depression Inventory (CDI) and Screen for Child Anxiety and Related Disorders (SCARED) were filled out by the children. Moreover, the Sociodemographic Data Form was filled out by the researcher in the presence of the parents, and the Doctor's Notes Clue Screening Form was formed by the doctor's notes from the hospital records. RESULTS: For the 5 machine learning methods, Decision Tree, Random Forest, Support Vector Machines, Logistic Regression and Naive Bayes, which were used with all the data set combinations except the risk factors data set alone, high performance metrics which are accuracy, precision, recall, F1 score and area-under-curve score were acquired. The highest performance was achieved with the Logistic Regression machine learning algorithm. When the data sets were compared, the highest accuracy values were seen in the Random Forest algorithm on the triple model which utilizes the combination of all data sets, and in the Logistic Regression on the model formed by both Conners' parent and teacher data combined. The latter was the highest. The lowest performance metrics were measured in the Naive Bayes algorithm on the data set which is solely formed by risk factors. CONCLUSION: Models created by Conners' rating scales, the risk factors of the disease and the clue words obtained from the doctor's notes kept during the clinical interview can be used with high accuracy in the diagnosis of Attention Deficit Hyperactivity Disorder as a result of analyzing them with machine learning algorithms, and have a high ability to classify individuals with and without ADHD. In the future, with larger amounts of data obtained from larger samples with different types of data collection tools, our knowledge about the accuracy of using machine learning in the diagnosis of ADHD will increase and the importance of using ML will become clear.

Benzer Tezler

  1. Tez No

    497579

    Dikkat eksikliği hiperaktivite bozukluğu'nun çocuk ve ergenlerde drd4, datı, vıpr2, 5-htıb ve bdnf genlerindeki dna metilasyonu ile ilişkisi

    The relationship between attention deficit hyperactivity disorder and dna methylation of drd4, dat1, vipr2, 5-ht1b and bdnf genes in child and adolescents

    İPEK ELİF ERKEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    PsikiyatriPamukkale Üniversitesi

    Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    YRD. DOÇ. DR. BÜRGE KABUKÇU BAŞAY

  2. Tez No

    458088

    Dikkat eksikliği hiperaktivite bozukluğu tanılı hastalarda ileri glikasyon son ürünleri, ileri glikasyon son ürünlerinin endojen salınımlı reseptörü ve S100A9 düzeylerinin etyopatogenezdeki yeri

    Advanced glycation end products, endogenous secretory receptor for advanced glycation end products and S100A9 levels of attention deficit hyperactivity disorder diagnosed patients and their role in the etiopathogenesis

    NAZLI KAPUBAĞLI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    PsikiyatriPamukkale Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLŞEN ÜNLÜ

  3. Tez No

    161136

    Trabzon il merkezi ilköğretim öğrencilerinde dikkat eksikliği hiperaktivite bozukluğunun yaygınlığı

    The deviancy of attention and hiperactivity distrubance and to analyse the indications of it in Trabzon

    NEYİR GÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Eğitim ve ÖğretimKaradeniz Teknik Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. İSMAİL AK

  4. Tez No

    499151

    Özgül öğrenme bozukluğu tanısı bulunan 8-16 yaş arası çocuklarda nörokognitif yetilerin bilgisayar tabanlı nöropsikolojik test bataryası olan CNSVS (The central nervous system vital signs) ile değerlendirilmesi

    Evaluation of neurocognitive functions in children with spesific learning disability aged 8-16 by using a computerized neuropsychological test battery, CNSVS (The central nervous system vital signs)

    CEREN KAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    Psikiyatriİstanbul Üniversitesi

    Çocuk Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. BURAK DOĞANGÜN

  5. Tez No

    417184

    Dikkat eksikliği hiperaktivite bozukluğu tanılı ergenlerde internet bağımlılığı sıklığının ve ilişkili faktörlerin sağlıklı kontrollerle karşılaştırılması

    The comparison of prevalance and associated factors of internet addiction between adolescents diagnosed with attention deficit hyperactivity disorder and healthy controls

    RECEP BOSTAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    PsikiyatriMersin Üniversitesi

    Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ÖZALP EKİNCİ

Geri Dön