دانلود مقاله یادگیری ماشینی ویژگی‌های دوران کودکی جهت پیش بینی پیشرفت اختلال دوقطبی
خلاصه
1. مقدمه
2. روش ها
3. نتایج
4. بحث
بیانیه افشای مالی
بیانیه نویسنده
اعلامیه منافع رقابتی
پیوست A. داده های تکمیلی
منابع
Abstract
1. Introduction
2. Methods
3. Results
4. Discussion
Financial disclosure statement
Author statement
Declaration of competing interest
Appendix A. Supplementary data
References
چکیده
شناسایی زودهنگام اختلال دوقطبی ممکن است حمایت و درمان مناسبی را ارائه دهد، با این حال شواهدی در حال حاضر برای پیش‌بینی آماری وجود ندارد که آیا کودک دچار اختلال دوقطبی می‌شود یا خیر. روش‌های یادگیری ماشین فرصتی برای توسعه پیش‌بینی‌کننده‌های مبتنی بر تجربی اختلال دوقطبی ارائه می‌کنند. این مطالعه بررسی کرد که آیا می توان اختلال دوقطبی را با استفاده از داده های بالینی و الگوریتم های یادگیری ماشین پیش بینی کرد. 492 کودک، 6 تا 18 ساله در ابتدا، از مطالعات خانوادگی مورد-شاهدی طولی انتخاب شدند. شرکت کنندگان در ابتدا مورد ارزیابی قرار گرفتند، سپس پس از 10 سال پیگیری شدند. علاوه بر داده‌های جمعیت‌شناختی اجتماعی، کودکان با مقیاس‌های روان‌سنجی، مصاحبه‌های تشخیصی ساختاریافته و ارزیابی‌های عملکرد شناختی و اجتماعی مورد ارزیابی قرار گرفتند. با استفاده از الگوریتم جنگل تصادفی متوازن، بررسی کردیم که آیا می‌توان نتیجه تشخیصی اختلال دوقطبی کامل یا زیرسندرمی را از روی داده‌های پایه پیش‌بینی کرد. 45 کودک (10%) در پیگیری دچار اختلال دوقطبی شدند. این مدل اختلال دوقطبی بعدی را با حساسیت 75 درصد، ویژگی 76 درصد و ناحیه زیر ویژگی های عملیاتی گیرنده 75 درصد پیش بینی کرد. پیش بینی کننده هایی که بهترین تمایز بین کودکانی که دچار اختلال دوقطبی شده اند یا نشده اند عبارتند از: چک لیست رفتاری رفتارهای بیرونی و درونی کردن، چک لیست رفتاری کودک، نمره t کل، عملکردهای مشکل دار مدرسه که از طریق مقیاس مهارت مدرسه چک لیست رفتاری کودک نمایه شده است، و چک لیست رفتاری کودک. مقیاس های اضطراب/افسردگی و پرخاشگری. مطالعه ما اولین مدل کمی را برای پیش‌بینی اختلال دوقطبی ارائه می‌کند. پیش‌بینی طولی ممکن است به پزشکان کمک کند تا کودکان مبتلا به آسیب‌شناسی روانی اضطراری را از نظر خطر ابتلا به اختلال دوقطبی ارزیابی کنند، حوزه‌ای که اهمیت بالینی و علمی دارد. الگوریتم‌های یادگیری ماشینی می‌توانند برای هشدار به پزشکان در مورد خطر ابتلا به اختلال دوقطبی پیاده‌سازی شوند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Early identification of bipolar disorder may provide appropriate support and treatment, however there is no current evidence for statistically predicting whether a child will develop bipolar disorder. Machine learning methods offer an opportunity for developing empirically-based predictors of bipolar disorder. This study examined whether bipolar disorder can be predicted using clinical data and machine learning algorithms. 492 children, ages 6–18 at baseline, were recruited from longitudinal case-control family studies. Participants were assessed at baseline, then followed-up after 10 years. In addition to sociodemographic data, children were assessed with psychometric scales, structured diagnostic interviews, and cognitive and social functioning assessments. Using the Balanced Random Forest algorithm, we examined whether the diagnostic outcome of full or subsyndromal bipolar disorder could be predicted from baseline data. 45 children (10%) developed bipolar disorder at follow-up. The model predicted subsequent bipolar disorder with 75% sensitivity, 76% specificity, and an Area Under the Receiver Operating Characteristics of 75%. Predictors best differentiating between children who did or did not develop bipolar disorder were the Child Behavioral Checklist Externalizing and Internalizing behaviors, the Child Behavioral Checklist Total t-score, problematic school functions indexed through the Child Behavioral Checklist School Competence scale, and the Child Behavioral Checklist Anxiety/Depression and Aggression scales. Our study provides the first quantitative model to predict bipolar disorder. Longitudinal prediction may help clinicians assess children with emergent psychopathology for future risk of bipolar disorder, an area of clinical and scientific importance. Machine learning algorithms could be implemented to alert clinicians to risk for bipolar disorder.
Introduction
Pediatric Bipolar Disorder (BP disorder) is a prevalent and morbid disorder estimated to affect at least 2% of youth (Van Meter et al., 2011). Individuals with BP disorder often present subsyndromal symptoms of mood dysregulation during their childhood that eventually develop into a full diagnosis. The full syndromatic diagnosis of BP disorder is associated with increased risks of suicide, substance use disorders, hospitalization, and social dysfunctions for the patients and their family (De Crescenzo et al., 2017; Faedda et al., 1995; Serra et al., 2017). Although longitudinal studies have found the prognosis of early-onset mood disorders to be unfavorable, research has also shown there are effective treatments and therapies that could significantly alleviate the patients’ and their families’ struggles from the diagnoses (DelBello et al., 2022; Pavuluri et al., 2005; West et al., 2014). Thus, early identification of the risks and interventions for early symptoms of pediatric mood disorders is crucial. However, uncertainties remain on how to best predict the development of BP disorder in youth with emergent psychopathology referred to clinical practice (Faedda et al., 1995; Leverich et al., 2007).
Results
Sensitivity and specificity of the model in predicting final BPD status
The model computes the probability that a child will develop BP-I disorder. When using a probability of 0.5 or greater to predict the onset of BP-I disorder, the model accurately predicted the development of BP-I disorder with a median sensitivity of 75% and median specificity of 76%. The area under the receiver operating characteristic curve (ROC-AUC) was with median of 75% and F1 score was with median of 79% (Table 2). Our model has a false positive rate of 21.6% and a false negative rate of 3.1%.
The average precision-recall curve of all bootstrapped iteration is presented in Fig. 1. This curve plots the positive predictive power against the sensitivity for each possible cut point on the model’s output probability. The ROC-AUC curve is presented in Fig. 2.