طراحي سيستم پشتيبان تصميم باليني براي تمايز اختلال نارسايي توجه / بيش فعالي از اختلال‌هاي عاطفي-رفتاري با نشانه هاي مشابه: مقايسه دو شبكه عصبي مصنوعي رايج

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

مقدمه و اهداف اختلالات رفتاري در كودكان و نوجوانان شيوع زيادي يافته است. بسياري از اين كودكان به دليل رفتارهاي خصمانه و پرخاشگرانه، از سوي والدين، معلمان و همتايانِ خود طرد مي شوند و همين امر موجب كاهش فرصت­هاي آموزشي آنان خواهد شد. بنابراين ضرورت شناختِ زودهنگام و هرچه دقيق­تر آنان، به طور كامل محسوس است. تشخيص و تميز هر چه سريعتر ميان ADHD از ساير اختلالات عاطفيرفتاري مشابه، مانند افسردگي، اضطراب، اضطراب و افسردگي همزمان، و اختلال سلوك، يكي از اقدامات مهم و اساسي در حيطۀ اختلالات روانشناختي كودكان است. مواد و روش‌ها  نمونه شامل 271 كودك، شامل 44 كودك گرفتار به ADHD، 31 كودك با تشخيص اختلال سلوك، 35 نفر با اختلال افسردگي، 33 نفر با اضطراب و افسردگي همزمان، 41 نفر با اختلال اضطراب و 87 كودك با رفتار طبيعي ولي با نشانه پرخاشگري موقت بودند. در اين مطالعه دو سيستم متفاوت حمايتگر تصميم، شامل شبكه عصبي مصنوعي چندلايه پرسپترون و شبكه عصبي تابع پايه شعاعي، بر اساس نشانه‌‌ها و علايم طراحي و مقايسه گشتند. يافته ها  ميانگين دقت شبكه‌‌ها در تشخيص و تمييز اختلالات به 95.57 و 96.30 درصد به ترتيب توسط شبكه‌‌هاي عصبي چندلايه پرسپترون و تابع پايه شعاعي رسيد. در نتيجه سيستم‌هاي طراحي شده، به‌ويژه شبكه تابع پايه شعاعي، احتمالا دستيار قابل اعتمادي براي متخصصان در تشخيص و تميز كودكان با اختلالات عاطفيرفتاري خواهند بود. نتيجه گيري هر دو سيستم طراحي شده، به ويژه شبكه تابع پايه شعاعي، مي‌توانند به عنوان يك ابزار مناسب جهت تمييز و تشخيص و همچنين ابزار غربالگري قابل اعتماد براي اختلالات عاطفيرفتاري كودكان مورد استفاده قرار گيرد.

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