دانشگاه علوم پزشکی شهید بهشتی دوماهنامه علمی - پژوهشی طب توانبخشی 2251-8401 5 2 2016 06 21 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 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 29 39 1100210 10.22037/jrm.2016.1100210 FA مونا دلاوریان دانشجوی دکترای روانشناسی و آموزش کودکان استثنایی، دانشکده روانشناسی و علوم تربیتی، دانشگاه تهران، تهران، ایران Angize41792 فرزاد توحیدخواه استاد، دانشکده مهندسی پزشکی، عضو هیئت علمی‌‌‌‌‌دانشگاه صنعتی امیرکبیر، تهران، ایران پروین دیباج نیا روانپزشک، دانشیار دانشکده علوم توانبخشی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران 0000-0001-7972-8536 غلامعلی افروز استاد ممتاز، دانشکده روانشناسی و علوم تربیتی، عضو هیئت علمی‌‌‌‌‌دانشگاه تهران، تهران، ایران الهه نایبی دانشکده روانشناسی و علوم تربیتی، دانشگاه تهران، تهران، ایران شهریار غریب زاده دانشیار، دانشکده مهندسی پزشکی، عضو هیئت علمی‌‌‌‌‌دانشگاه صنعتی امیرکبیر، تهران، ایران Journal Article 2015 04 30 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.<br /> 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.<br /> 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.<br /> 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 مقدمه و اهداف <br />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. <br />مواد و روش‌ها <br /> 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. <br />یافته ها <br /> 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. <br />نتیجه گیری <br />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. https://medrehab.sbmu.ac.ir/article_1100210_3cee9c7b988499b0ca786ccbb09c7719.pdf