被诊断为自闭症谱系障碍的协议结构在机器学习和语言决策分析

文摘

孤独症谱系障碍是一种精神紊乱,影响全世界数以百万计的人。据估计,在160年一个孩子有自闭症的痕迹,男孩发病率高出5倍。检测症状是不同的协议。然而,以下是最常用的包括:精神障碍的诊断与统计手册第五版(第五版),美国精神病学协会;修改后的自闭症诊断观察时间表(ADOS-R);自闭症诊断访谈(ADI);国际疾病分类,第十版(icd - 10),由世界卫生组织(世卫组织)和出版在巴西通过统一医疗体系(SUS)。机器学习模型的应用使孤独症谱系障碍的诊断过程更精确,减少,在许多情况下,标准评估所需的数量,表示一种属性效率工程(工程)的特性。这项工作提出了一个基于机器学习算法的混合方法的组合发现知识和概念与多准则的决策支持方法基于语言决策分析优化结果。因此,研究评价总目标的混合方法提到的建议如何使协议源自icd -更有效率,为诊断提供敏捷性自闭症谱系障碍通过观察轻微症状。 The study database covers thousands of cases of people who, once diagnosed, obtained government assistance in Brazil.

1。介绍

在这个社会,竞争力是一个实质性的微分在概要文件和生产能力,任何严重的心理障碍,一个人可能存在构成因素排除在创造财富的过程。在这种背景下,自闭症谱系障碍(ASD),以及其他严重的心理障碍,是观察与从小就沉默,通常,歧视在日托中心,学校,大学,企业,他们试图得到一个插入。这种歧视的一个可能的原因是基于信息的缺乏自闭症等心理疾病,以及缺乏良知的潜在贡献的每一个人都能给社会,尤其是当有一个升值的多元化的思想和观点。

根据世界卫生组织(世卫组织),自闭症是一种精神紊乱,影响全世界超过7000万人。全世界每160(估计显示一个自闭症儿童的1),与男孩之间的患病率高出5倍。在巴西,有一个孤独症儿童的比例为360。虽然被认为是低估了,巴西的数据表明,有一个重要的专业护理需求(2]。目前,有效性和效率的必要性在诊断自闭症谱系障碍不仅仅是健康因为患有这种障碍的人也寻求参与选择性过程形成的工作团队。这些诊断可以帮助这些人在教育和专业在就业市场。另一方面,全球化的世界需要公司的竞争力和可持续发展,很大程度上取决于人。在他们的选择过程中,企业寻求选择健康的专业人士,通常,排除那些遭受特定问题,如自闭症谱系障碍,即使他们有不同的技能。

作为一个社会贡献,本研究旨在应用机器学习模型使ASD诊断过程更精确和简洁,减少必要的评价标准。为此,研究提出了一种混合方法,基于机器学习算法的并置,针对知识发现,与多准则的决策支持方法基于语言决策分析(VDA)。总体目标是评估现在的混合方法提出能使协议来源于国际疾病分类,第十版(icd - 10)更有效率,使孤独症谱系障碍的诊断通过观察轻微症状。该研究试图链接的icd - 10编码和结构dsm - 5,旨在扩大理解和从不同的临床诊断能力的观点。这个目标是考虑到上面提到的混合模型方案应用于自闭症和考虑到精神疾病的主要焦点是精神障碍的诊断与统计手册第五版(第五版)。

此外,验证混合模型,该研究使用一个数据库提供的社保Brazil-DATAPREV技术和信息公司。提到的数据指的是成千上万的病例的人获得援助的好处与自闭症有关,由巴西提供的联邦立法。这些福利的发放通过评估每一个自闭症儿童的情况下,谁的利益不断提供(BPC)项目适用。这些评估有一个广泛的调查问卷分为社会评价和医学专家评估,使得研究获得更一致的数据的医疗和社会评价阶段。

本文分为五个部分。介绍后,研究提出了第二部分,概述了系统化的基本工作是基于理论基础。第三部分描述了使用的方法,分为四个subsections-which协议,分别与数据库,随机森林的机器学习算法,应用学习框架,口头决策分析(VDA)方法解决。第四部分介绍了成果。最后,第五部分总结了工作和提出未来工作行为和观点。

2。理论参考

本节包含了一些重要的话题关于自闭症谱系障碍和突出提出信息技术解决方案用于支持诊断、转诊的障碍。

2.1。突出了对自闭症谱系障碍的概念

自闭症谱系障碍(ASD)由一个神经发育障碍的特征模式刻板重复的行为和难以沟通和社会交往。有几个协议用于诊断疾病。最广泛采用的是精神障碍的诊断与统计手册》第五版,被称为第五版,美国精神病学协会;修改后的自闭症诊断观察时间表(ADOS-R);自闭症诊断访谈(ADI);与国际疾病分类(icd - 10)和健康相关的问题,发布的标准世界卫生组织(世卫组织)和在巴西通过统一医疗体系(SUS)。在图1,有一个突出的自闭症谱系障碍(ASD)的神经发育障碍分类,歧视的dsm - 5。

科学调查关于自闭症谱系障碍已经进化出很多自上世纪初以来,在理论和实证方面。从这个角度来看,很明显,因为“自闭症”这个术语是由精神病学家Eugen Bleuler, 1911年,当分析精神分裂症患者的症状,包括其他自闭症的披露模式由汉斯·阿斯伯格,1970年,研究先进很多。随着时间的推移,知识的深化主题,表达自闭症谱系障碍(ASD)开始功能一个非常不同的组和早发性行为变化,慢性过程,影响变量在多个领域的发展(4]。

此外,Martone和Santos-Carvalho [5)进行了文献回顾的文章发表的应用行为分析杂志》上(JABA)之间的2008年和2012年,专注于言语行为的重要性的检测障碍(5]。科恩et al。6)提供一个开创性的研究,它使用神经网络进行分类。结果显示在检测中实现新技术的重要性的障碍,同时,指出了需要更好地探索神经网络的应用,以其全部的变化参数,提高自闭症谱系障碍的分类(6]。

2.2。信息技术解决方案用于孤独症谱系障碍的诊断

技术方法后,Yekta et al。7)提出了一个自闭症的诊断系统,称为孤独症筛查专家系统(ase),其主要属性或标准选择使用机器学习技术的基础上通过问卷调查获得。在这种情况下,选择诊断的主要属性,技术解决方案使用“随机森林和支持向量机”。这个系统似乎是非常有效的检测障碍在2到6岁的儿童7]。用类似的方法,Khullar et al。8)开发了一个系统手持专家系统(他)——使用人工神经网络诊断自闭症。获得100%(百分之一百)的准确性检测障碍时考虑到协议中描述的精神疾病诊断与统计手册(第五版)8]。另外,在同样的线,Nunes et al。3]目前智能解决方案基于混合模型的专家系统与多准则方法麦克白(测量吸引力为基础的分类评价技术)来支持早期诊断儿童自闭症的两岁(3]。

在类似的情况下,科恩(9)提出了一种研究神经网络的模拟和股票正式定性相似之处与选择性注意和赤字自闭症患者中观察到的泛化。在模拟的模型是教歧视孤独症儿童精神发育迟滞的儿童,有观察神经病理学在文献中描述足以解释的一些独特的模式识别和学习技能,以及他们的泛化和收购问题[9]。弗洛里奥et al。10)显示的重要性,第二个对自闭症的诊断和技术的使用提供独立的临床评价,提高诊断准确性。挑战与利用技术提供独立的第二意见包括个体的可能性和亲戚参加自我诊断活动(10]。

不过,从智能系统的角度来看,Thabtah [11]指出,自闭症研究领域的行为科学使用基于机器学习的智能方法加快筛选时间或提高敏感性,特异性,诊断过程的精度。从这个意义上讲,机器学习认为ASD诊断作为分类任务的问题,预测模型的建立基于历史情况和控制。这些模型必须连接到一个筛选工具,实现一个或多个目标。这项工作试图阐明ASD的最近的研究使用机器学习分类,讨论其优点和缺点。它强调了一个明显的问题与当前自闭症筛查工具,这些工具使用dsm - iv的可靠性而不是第五版手册。结果,需要改变目前的自闭症筛查工具,以反映新近实施的标准分类的dsm - 5已经建议,尤其是诊断算法融入这些方法(11]。

在同样的意义上,Thabtah [12]指出机器学习是一个多学科的研究课题,采用智能技术来发现用于预测相关的隐藏的模式来改善决策。因此,一些机器学习技术,随机森林等,应用于自闭症相关数据集构建预测模型。这些模型要求增加临床医生提供健壮的ASD诊断和预后的能力(12]。

在系统回顾、Thabtah和皮布尔斯(13评估和批判性分析了37个不同的自闭症筛查工具来识别可能的领域,需要通过进一步发展和创新13]。

在另一个分析,Thabtah et al。14]提出了一种新的机器学习框架相关筛选自闭症成年人和青少年包含重要的特征。获得的结果显示,机器学习技术能够生成与可接受的性能分类系统的敏感性,特异性,和精度等14]。

另一方面,在不同的方法中,否决权等。15G-ASD]提出,由一个原型游戏帮助心理学领域内的专业人士使用的方法论应用行为分析(ABA)教学儿童学习自闭症谱系障碍(ASD) [15]。G-ASD显示游戏的使用是多么重要的过程中构建自闭症儿童的知识,帮助自闭症儿童的专业在教学颜色。从社会和教育的角度来看,Lampreia [16)评估自闭症的诊断和评论的官方工具,由于统一的意图,它危害一些社会交往等领域,交流,兴趣和开发活动。科斯塔et al。17)解决的困难包括自闭症患者在信息技术领域和强调信息进行分析和讨论关于自闭症患者纳入高等教育和相应的信息技术领域的就业市场。

几种方法提升为研究神经系统疾病。由et al。18]研究了随机森林算法从格鲁吉亚自闭症和自闭症的一组数据发育障碍(ADDM)网络监控,在儿童发展的评估使用获得的短语和单词。5396年的数据集包括评估1162名儿童,其中601在频谱。随机森林分类器的评估在一个独立的测试数据集,包含9811评估1450名儿童。结果报道,随机森林达到约89%的预测价值18]。

最后,它是观察到的随机森林算法一直在决策过程使用一个杰出的频率在卫生领域,主要用于ASD诊断和治疗。这是使用随机森林的主要原因之一,目前的研究作为一个算法,现在是混合模型的一部分。

3所示。孤独症谱系障碍的诊断协议的方法

本研究采用定量研究方法,寻找数字的频率特征,和量词在应对社会和医学评估自闭症儿童的诊断,候选人提供连续的好处(BPC)在巴西的社会保障。此外,定性的方法被用来解释评价的结果在巴西社会医疗环境。

从社会获得研究数据库安全技术和Brazil-DATAPREV信息公司。表示数据库有320302(三十二万零三百零二)记录指的是反应的医学评估3861(三千八百六十一)儿童从0到5岁,来自巴西、代表82(八十二)社会、环境、和临床变量。这个基地是美联储从评价形式的物品可以转换为标签的变量描述疾病。通过映射的主要特点,可以分配一个应对每一个问题。变量包括个人身份信息,socioenvironmental方面,必要的临床标准来确定ASD。准备的过程模型建议可以归纳为如下步骤:(我)在第一阶段,在收集反应评估、组织特征与关键字(标记)和相关数据表中相应的限定符(分析基表(ABT))(2)然后,在第二阶段,使用机器学习的数据分类算法,随机森林,包括几种决策树获得预测的精度和稳定性更高(3)第三阶段是创建9个最常用的一种形式特征为应用程序的决策者(iv)最后,在第四阶段,ZAPROS-IIIi方法,实现在ARANAU工具(19),进行了口头决策分析(VDA),针对自闭症的主要特征的偏好顺序

这些特点构成了该模型。

图2总结了上述步骤的过程,提供了一个创建提出了混合模型的简化视图。

3.1。准备处理

有两个预处理步骤。第一个开发适当的数据操纵的橙色的框架,它使用机器学习模型(参见步骤我和二步,如图2)。第二个了,从第一个初步结果,调整语言的信息决策分析(参见步骤三世,在图2)。

在预处理阶段,问卷调查,收到. txt扩展,有分类和标签的问题。换位之后,他们被安排在表格的形式,在一个面板格式。答案是映射并分配给项目,与特定的重量,从0到4。生成的文件的扩展名. csv和被机器学习框架。

在第二个预处理步骤中,模型的结果导入将决策树的最短路径,在哪些节点代表疾病的症状调查。这样一种方式将再次被转化为一份调查问卷,与每个标志作为一个变量的一个问题,3(三)评估标准,每个3(三)可能的定性的答案。结果将作为输入语言决策分析方法,ZAPROS-IIIi, ARANAU工具中实现19]。

3.2。随机森林方法注意事项

随机森林是随机决策树预测预期值回归和分类的能力。Breiman[发布的模型20.,21),从那时起,技术已经成为一种重要的数据分析工具,相当多才多艺,很少有调整参数。从这个意义上说,尽管它的简单,方法是公认的精度和能力来处理小样本大小,大的资源空间,和复杂的数据结构22]。算法的多样性导致了随机森林的流行,除了几个参数来调整。许多实际问题已经成功参与随机森林,包括空气质量预报,chemoinformatics,生态学、3 d对象识别,生物信息学,等等。许多人提出有效原始算法来提高计算时间的变化,同时保持良好的预测的准确性。Breiman随机森林也扩展到分位数估计,生存分析,排名预测(22]。

关于理论方面,分析少是结论性的,,不管他们的广泛使用在实际情况下,对随机森林的数学性质。迄今为止,大多数研究都集中在孤立的部分或过程的简化版本。最著名的理论结果是Breiman [20.,21],它提供了一个森林上限的泛化误差的相关性和力量的个体树。这是紧随其后的是一个技术报告(22),其重点是原始算法的修改版本。关键一步随后跟着琼和林23建立非适应森林下限),独立的训练集22]。他们还强调了一个有趣的随机森林和一个特定的类之间的连接的预测因素 - - - - - -最近的邻居(资讯)进一步发展(22]。

程序的性质可以解释的困难充分分析随机森林,前者是一个微妙的不同组件的组合。在森林的基本成分,装袋(Breiman [24,25])和分类和回归树(CART)标准(Breiman et al。26,27])起到了重要作用。装袋,像bootstrap-aggregating收缩,是一个通用的聚合方案,通过生成次级样本的原始数据集,建立一个预测对于每个重采样,并决定的意思。它是最有用的计算密集型程序改善不稳定的估计,特别是对于大数据和高维数据集,是不可能找到一个合适的模型在一个步骤,由于问题的复杂性和规模(22]。最具影响力的CART算法由Breiman et al。26,27起源于CART-split选择,用于降低建设个人树来选择最好的垂直于轴。在每棵树的每个节点,选择最好的减少,优化购物车部门标准,基于基尼杂质的概念(分类)和二次回归误差(22]。

然而,尽管上述算法组件的重要性,分析装袋和车都是具有挑战性的,这就是为什么理论研究已经考虑原始程序的简化版本。这分析通常是通过简单地跳过装袋步骤和取代马车分区选择更基本的协议。Breiman的随机森林,每个叶子,终端节点个人树包含一个预先制定固定数量的观察(这个参数通常是选择1 - 5)。因此,作者选择简化程序和独立的数据,因此创建一个理论和实践之间的差距(22]。

出于讨论,Scornet et al。22]Breiman的一些渐近性质的算法研究[20.,21在添加剂回归模型。这些研究人员证明了随机森林的一致性,它提供了一种首先对该算法基本理论效率的保证。这一发现是第一个一致性结果Breiman的20.,21原来的程序。详细分析的方法是基于细胞的行为所产生的选择CART-split随着样本容量的增加。研究还表明,随机森林能够适应稀疏结构的尺寸很大,但只有少数的坐标信息。图3描述了随机森林算法(22]。

的一般结构包括回归随机输入向量 是观察到的,“”是向量的维数。目标是预测随机响应平方可积 估计函数的回归 。因此,假设由训练样本 在 ,独立分布的独立 。目标是使用数据集构造一个估计 的功能” 。“因此,据说估计回归函数如果是一致的 ,的期望大于和(22]。

随机森林是一个预测,包括一组树的随机回归。为 - - - - - -家谱,在查询点的预测价值表示由 ,在哪里 分布的独立随机变量,随机变量作为一个通用的和独立的 。在实践中,该变量用于重新取样前的训练集连续增长个人的树木和选择方向分离。树木相结合形成森林的有限的估计(22]。

因为可以选择,在实践中,尽可能大,Scornet et al。22)展示了财产;据,无限的森林估计得到的极限方程(1)验证如下的数量树木生长到正无穷(22]: 在哪里表示期望与随机参数 ,有条件的 。大数定律,即它几乎肯定取决于 ,证明这个操作(22]:

看到Breiman [20.,21为更多的细节。从现在开始,为了简化符号,会写而不是吗 (22]。

在原始森林Breiman [20.,21),树的每个节点与hyperrectangular细胞有关。在树的每一个阶段的建设,组细胞形成一个分区 。树的根本身,每棵树的生长,如算法1解释在图3。这个算法有三个参数(22]:(1) ,数量的预选方向树的分裂(2) ,这是数据点采样的数量在每棵树吗(3) ,每棵树的叶子

默认情况下,在原程序,参数被设置为 , 被设置为(重采样是通过替换完成), 。然而,在这种方法中,重采样是没有更换,参数和可能不同于默认值(22]。

该算法通过增加不同的树,如下所示。每棵树,随机数据点是没有替换原有的数据集;然后,在每棵树的每一个细胞,一个部门选择购物车最大化准则;最后,每棵树的建设是打断当树中的细胞总数达到的价值 。因此,每个单元格包含一个点 (22]。

3.3。框架橙色帆布

Demsar et al。28叫橙色)设计了一个框架,用于目前的工作。框架是一组机器学习和数据挖掘工具进行数据分析通过Python脚本和可视化编程。橙色是面向有经验的用户和程序员,以及数据挖掘的学生。它是基于c++语言;然而,它允许开发者使用Python语言。

3.4。考虑ZAPROS-IIIi语言决策分析方法

语言决策分析(VDA)假定大多数决策问题可以用自然语言表达,由相关的决策过程基于表现的问题29日]。同样值得注意的是:这种方法解决非结构化问题,表现为缺乏逻辑的和良好定义的程序应用于解决29日]。这些问题定性和组织是复杂的,正式的,测量数值。也不可能有所有必要的信息来解决它们。因此,分析过程也是主观的,这就需要决策者的信息的集合。

根据Larichev Moshkovich [29日),口头的方法构成结构决策分析ZAPROS-III, ZAPROS-LM,“太平洋司令部”,和ORCLASS以及他们的特点及应用。被人类大量数据的分析表明,使用正确的操作方式方法和工作如下提到的(29日]:(1)比较两种语言范围内评估由两个标准(2)作业的多准则决策类的替代品(3)比较语言选择评估根据单独的标准

提到的方法是决策支持系统(DSS),帮助决策者分类选择的多个属性。语言决策分析框架的前三排名方法,旨在建立一个备选方案的优先顺序排列。后者提出了分类的唯一方法是基于共识的结构。图4显示了一个简单的可视化的几个语言决策分析方法根据问题的类型。

对于这个工作,ZAPROS-IIIi方法将被应用。该方法适合解决问题的特点,使得决策规则的构建用于比较选择,不会改变,即使选择的集合被修改和适用于大量的替代品的问题。ZAPROS-III方法结构在三个明确的主要阶段:制定的问题,引出的偏好,选择和比较。主要版本的ZAPROS所提出的方法,该方法旨在替代标准场景涉及最小集合的分类标准和标准的价值观和大量的替代品。有关决策的标准和它们的值和偏好的规模得到了基于决策者的偏好在第一和第二阶段。在最后一步中,比较选择执行基于决策者的偏好。下面将描述这些阶段。

作为语言的一部分,决策分析结构,ZAPROS-LM ZAPROS-III方法可以被认为是一个进化的。类似于ZAPROS-LM和“太平洋司令部”方法,该方法针对分类的一组选择,从最比最不可取的。

虽然ZAPROS-III一个类似的过程适用于获得的继任者的偏好,它实现了修改,使其更有效、更准确的关于不一致。无与伦比的替代品的数量大大低于在前面ZAPROS。

图5给出了流程图和应用VDA ZAPROS-IIIi方法的步骤。根据方案中所描述的过程,它是可能的应用方法划分为三个阶段:制定的问题,引出的偏好/验证决策者的偏好,选择和比较。

自从有一个指数级增长问题的选择和必要的信息的增长过程中获取参数,方法的一个缺点是,控制复杂,标准和价值观的治疗标准的数量是有限的。ZAPROS-IIIi方法带来了一个重要的区别与以前的模型:划分为不同的阶段。方法提出两个变电站变成一个而不是基于决策者的偏好在第一次引用情况,然后建立另一个规模偏好使用第二个引用情况。因此,问题考虑第一个引用情况相同问正在考虑第二个引用情况。因此,这两种情况下都将被认为是在回答这个问题在同一时间。改变意味着流程优化:依赖标准是可以避免的。

最终,这些修改方法增加可比性这几个备选方案定义为无与伦比的,应用ZAPROS方法纯粹时,现在可以直接或间接相媲美。此外,这些方法的变化过程并没有改变其计算复杂度(30.]。

为决策者考虑到它是复杂的,顺序偏好的过程,Tamanini等人进行了一项研究与电池的测试数据可能诊断阿尔茨海默氏症患者结构基于特征的决策树,导致疾病的决心。在这项研究中,建立了规模偏好通过分析产生的树,随后,规模受到ZAPROS方法分类的测试参与此案的研究(31日]。该混合模型显示的潜力维达与机器学习相结合的解决方案(32]。

4所示。一个协议来确定诊断自闭症谱系障碍的主要特征

使用决策树模型结构的随机森林分类的主要特征的医疗评估。然后,这些特征是提交给VDA ZAPROS-IIIi方法放在决策者的偏好。结构的建设协议,在机器学习和ZAPROS-IIIi共识的方法,使用基于每个限定符定义的标准的障碍孤独症患者所经历的,即(33]:

轻/中度(从0%到49%的承诺)。有一个轻微的,常规障碍或困难。

严重的(从50%到95%的承诺)。具有较高的或极端的困难。

完成(96%至100%的承诺)。有一个障碍或困难。

3861年的评估(三千八百六十一)0至5岁的儿童被选中时,显示分类“F84”和icd - 10的家庭,这是全球发展disorders-this分类icd -对应的代码“299.00”第五版。数据收集后,它的使用关键词为每个社会和医疗评估的特点,针对生成ABT(分析基表)和执行随机森林,使用橙色。图6显示的配置使用随机森林。

4.1。主要特征的识别孤独症谱系障碍的诊断

样品的评估3861(三千八百六十一)的情况下,使用决策树,就使得人们有可能鉴别以下特征(33,34]:(我)功能语言流利和节奏(流畅性的变化,口吃,废话,dyslalia-tachylalia,言语迟缓,等等),在某种程度上与年龄group-b330兼容(2)困难故意使用视觉(遵循视觉对象,观察人,看体育赛事,并观察人或玩耍的孩子,等等),年龄的方式兼容group-d110从1年(3)困难的获得和执行必要的技能(使用餐具和铅笔等)和复杂的技能(游戏、运动、使用工具、和看),在某种程度上兼容group-d155从2岁(iv)睡眠功能(启动、维护、数量和质量的睡眠),在某种程度上与年龄group-b134兼容(v)记忆功能(最近,远程和遗忘的记忆障碍),在某种程度上符合年龄group-b144从3岁(vi)全球社会心理功能(人际交往能力需要建立互惠的社会互动,意义和目的、适应性、响应能力、可预测性,持久性和可访问性,和人际交互,等等),的方式兼容group-b122从2岁(七)困难使用特定设备或移动设备来促进运动(沃克,轮椅、拐杖、手杖、和其他人),年龄的方式兼容group-d465从3岁(八)徒步行走困难(移动,长或短的距离,没有人的帮助,设备,或设备),在某种程度上兼容group-d450从2岁(第九)视觉功能(质量、敏锐、光和色彩感知,单眼和双眼视觉,近视,远视,散光,偏盲,老花眼,色盲,视野狭窄,中央和周边暗点,复视,夜盲症,和适应性,等等),在某种程度上与年龄group-b210兼容

图7橙色的应用程序的显示了生成的树,分为五个级别,选择考虑的评估。这些主要特点是应用于ZAPROS-IIIi方法,实现ARANAU工具,最可取的排序最首选的特点,在答案的自闭症案例的诊断。

基于特征识别的早期部分4.1,一种是准备被决策者调查的格式填写。表1提出了这些特征的形式一个问卷调查。每个问题在这个问卷答案三个标准在表的歧视1,即:

一个。的声音,心理、视觉功能必须出示一个障碍或困难。

B。学习和知识的应用程序必须存在一个障碍或困难。

C。流动性必须存在一个障碍或困难。

在序列,这些标准是评估在以下三个替代品歧视和标识列的表1:

完成(96%至100%的承诺)。有一个障碍或困难。

严重的(从50%到95%的承诺)。具有较高的或极端的困难。

轻/中度(从0%到49%的承诺)。有一个轻微的,常规障碍或困难。

提到的问卷调查作为依据进行研究样本为91(九十一)专业人员的知识和经验治疗自闭症的人:(我)74(七十四)健康专家,二十个医生,四十理疗师,四十护士,四个心理学家,四个言语治疗师,和两个职业治疗师(2)17(17)在教育领域专业人士

引出后阶段,每个专业的喜好研究生成的表中所示的结果1与获得的结果相比,通过决策树。然后,标准的数据值和备选方案,获得的研究,在ARANAU加载工具定义的顺序偏好的主要特点和限定符最有可能确定确诊自闭症。表图8显示的顺序偏好ASD的主要特征,建立了ZAPROS-IIIi方法,实现在ARANAU工具加工的研究获得的数据。这些数据使向量由”的结合 ,“这是,” ”的表1。图的图形表示8可以观察到的特征大多数比决策者更外向比弧弧。

5。结论和未来的工作

本研究分析成为可能的社会和医学问题评估的好处连续提供(BPC)应用于自闭症谱系障碍的孩子。

评估有一个广泛的问卷调查。与应用程序的决策支持方法,可以简化的具体特征选择更快和更准确的诊断,考虑早期诊断的重要性,因为大多数情况下仍发现之后。,有一个速度增益确定疾病,促进医生的决策。

这项工作提出了一个结构化的协议,使用决策树和随机森林分类评价的主要特点和ZAPROS-IIIi订购这些特征的方法。

第一阶段的研究表明,主要的symptoms-considered变量或构造的树图的顶点随机森林下面,总之:语音障碍,困难故意使用视觉,麻烦在获取和执行基本和复杂的技能、睡眠障碍、记忆障碍,全球社会障碍,难以移动,走路困难,困难的愿景。下一步,根据语言决策分析,导致以下排序在前一步骤中选择的标准,即:(我)8。徒步行走困难(移动,短或长时间的距离,没有人的帮助,设备,或设备),在某种程度上兼容group-d450年龄从2岁(2)6。全球社会心理功能(人际交往能力需要建立互惠的社会互动,意义和目的、适应性、响应能力、可预测性,持久性和可访问性,和人际通信,等等),的方式兼容group-b122从2岁(3)7所示。困难的移动使用特定设备或设备来促进运动(沃克、轮椅、拐杖、手杖等),在某种程度上兼容group-d465从3岁(iv)1。关于讲话和节奏流畅的功能(流畅性的变化,口吃,废话,dyslalia-tachylalia,言语迟缓,等等),ASD-b330的一个明确的诊断(v)4所示。睡眠功能(启动、维护、数量和质量的睡眠),在某种程度上与年龄group-b134兼容(vi)9。视觉功能(质量、精度、光和色彩感知,单眼和双眼视觉,近视,远视,散光,偏盲,老花眼,色盲,视野狭窄,中央和周边暗点,复视,夜盲症,和适应性,等等),在某种程度上兼容group-d465年龄group-b210和年龄从3岁(七)2。故意使用困难的视觉(视觉对象后,观察人,和观看体育赛事或玩耍的孩子,等等),ASD-d110的一个明确的诊断(八)3所示。困难的获得和执行必要的技能(使用餐具和铅笔等)和复杂的技能(游戏、运动、使用工具、和看),在某种程度上兼容group-d155年龄从2岁(第九)5。记忆功能(最近,远程和遗忘记忆障碍),在某种程度上符合年龄group-b144从3岁

总的结果表明超过80(八十)变量的评估,只有9(9)足以表明安全孤独症谱系障碍的诊断。

作者建议,为未来的工作,更广泛的应用协议,进行未来研究宇宙中从0到18岁的儿童和青少年,和更深入的分析特点和限定符。

比较研究的协议提案与另一个模型,使用基于贝叶斯网络的算法,逻辑回归,或其他机器学习技术,将扩大和改善现在的模型提出了决策过程。在这一点上,在这项研究中,提到的算法之间的比较可以(34]。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢国家战略研究所和DATAPREV提供在本研究中使用的数据。作者要感谢Edson奎罗斯基金会/福塔雷萨大学的支持。第三作者感谢巴西全国委员会研究和开发(CNPq)通过批准号304272/2020-5。第四和第五作者所给予的支持表示感谢7 de Setembro大学中心在这个项目。

引用

1. 主页,“自闭症谱系障碍”,2020年,https://www.who.int/news-room/fact-sheets/detail/autism-spectrum-disorders。视图:谷歌学术搜索
2. c·s·波拉,e . Fombonne, s·h·里贝罗和m . t . Mercadante”简要报告:广泛性发育障碍的患病率在巴西:一个试点研究,“自闭症与发育障碍杂志》上第41卷。。12日,第1742 - 1738页,2011年。视图:出版商的网站|谷歌学术搜索
3. l . c . Nunes p . r . ibsen Pinheiro ibsen Pinheiro m . c, d . et al .,”一个混合模型指导咨询与自闭症谱系障碍的儿童,“A . Visvizi和m . d . Lytras Eds。,页419 - 431,施普林格国际出版。视图:谷歌学术搜索
4. APA-American精神病学协会”,精神疾病诊断和统计手册(DSM 5),”2020年,https://www.psychiatry.org/psychiatrists/practice/dsm。视图:谷歌学术搜索
5. m . c . c . Martone和l . h . z . Santos-Carvalho”的文章发表在《应用行为分析(JABA)在2008年和2012年之间的言语行为和自闭症,”2012年。视图:谷歌学术搜索
6. i . l .科恩诉Sudhalter, d . Landon-Jimenez m·基奥,“孤独症的神经网络分类方法,”1993年。视图:谷歌学术搜索
7. m . s . Yekta、m . Mahmoudi和s . Akbari-Zardkhaneh“自闭症筛查专家系统(筹)”敬畏Procedia信息技术和计算机科学4卷,第1068 - 1063页,2013年,《第三世界会议上创新和计算机科学,2013。视图:谷歌学术搜索
8. 诉Khullar、h·p·辛格和m·巴拉”智能手持专家系统(他)诊断自闭症谱系障碍及其严重程度的水平,”东盟精神病学杂志》,19卷,不。1,2018。视图:谷歌学术搜索
9. i l·科恩,”学习的人工神经网络模拟自闭症,”生物精神病学,36卷,不。1,5 - 20,1994页。视图:出版商的网站|谷歌学术搜索
10. t·弗洛里奥s Einfeld b汤奇,a . Brereton”为自闭症的诊断提供一个独立的第二意见使用人工智能在互联网上,“心理治疗和健康》5卷,(1),使用的技术在心理健康特刊,232 - 248年,2009页。视图:谷歌学术搜索
11. f . Thabtah“自闭症谱系障碍筛查:机器学习适应和dsm - 5实现,”ICMHI”17:医疗卫生信息学国际会议台湾,台中市,2017年。视图:出版商的网站|谷歌学术搜索
12. f . Thabtah“机器学习在自闭症谱系障碍行为研究:回顾和方式,“健康和社会保健信息学,44卷,不。3、278 - 297年,2019页。视图:出版商的网站|谷歌学术搜索
13. f . Thabtah和d .皮伯斯,”一个新的机器学习模型基于感应自闭症检测规则,”卫生信息学杂志,26卷,不。1,第286 - 264页,2020。视图:出版商的网站|谷歌学术搜索
14. f . Thabtah: Abdelhamid, d .皮伯斯,“自闭症机器学习分类基于逻辑回归分析,“健康信息科学和系统,7卷,不。1,p。2019。视图:出版商的网站|谷歌学术搜索
15. 共和党d。s .否决权,v . h . v . d。索萨,g·b·巴蒂斯塔f·c·b·g·桑塔纳和j·m·b·o·G.-A。s . d .初级,”一个工具来帮助自闭症谱系障碍的儿童的学习,基于ABA的方法,“2013人。视图:谷歌学术搜索
16. c . Lampreia”Avaliacoes quantitativa e qualitativa德梅尼诺嗯autista:乌玛解析critica,”Psicologia em Estudo,8卷,不。1,57 - 65,2003页。视图:出版商的网站|谷歌学术搜索
17. b·s·科斯塔e . b . Nakandakare, e . Paulino”插入autistis的学术和专业信息技术,“2014年,http://www.revistarefas.com.br/index.php/RevFATECZS/article/view/190。视图:谷歌学术搜索
18. j . m . j .由k . Shaw已经et al .,“自闭症谱系障碍患病率在8岁儿童孤独症与发育性残疾监控网络,11个地点,美国,2016年,“MMWR。监测总结,卷69,不。4、1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
19. 即Tamanini,”一个结构化的工具语言决策分析应用ZAPROS,“技术。代表,阿| PROCEEDINGS-Brazilian计算机Society-SBC Maringa-Parana, 2016年,http://cbsoft.org/cbsoft2016/anais-dos-eventos/cbsoft2016wdes.pdf。视图:谷歌学术搜索
20. l . l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
21. e . Scornet g . Biau j.p.绿色,“随机森林的一致性。”统计年报,43卷,不。4、1716 - 1741年,2015页。视图:出版商的网站|谷歌学术搜索
22. g . Biau和大肠Scornet随机森林导游。”测试25卷,第227 - 197页,2016年。视图:谷歌学术搜索
23. y全和y林”,一种有效的方法对高维log-density方差分析估计,非参数图形模型建立与应用程序,”Statistica中央研究院》16卷,第374 - 353页,2006年。视图:谷歌学术搜索
24. l . l . Breiman“装袋预测”,机器学习,24卷,不。2、123 - 140年,1996页。视图:出版商的网站|谷歌学术搜索
25. o . Larichev和h . m . Moshkovich口头的非结构化问题的决策分析Kluwer学术出版商,波士顿,MA,美国,1997年。
26. l . l . Breiman j·h·j·h·弗里德曼,r·a·r·a . Olshen和c j . c . j .石头,分类和回归树,沃兹沃思先进的书籍和软件,贝尔蒙特,CA, 1984。
27. ibsen Pinheiro t . c . s . Machado p . r ., i Tamanini,“项目管理借助语言决策分析方法:一个案例研究的选择最好的SCRUM实践,“在运筹学国际交易,22卷,不。2、287 - 312年,2014页。视图:出版商的网站|谷歌学术搜索
28. j . Demsar t . Curk a Erjavec et al .,“橙色:数据挖掘的工具箱在Python中,”机器学习研究杂志》上,14卷,第2353 - 2349页,2013年。视图:谷歌学术搜索
29. o . i Larichev和h . m . Moshkovich口头的非结构化问题的决策分析,Kluwer学术出版社,波士顿,1997年。视图:出版商的网站
30. p . r . ibsen Pinheiro Tamanini, m . c . ibsen Pinheiro Dantas本人交出密码和v . h·c·德·阿尔布开克,”阿尔茨海默病临床评价阶段的光学下混合语言决策分析方法,”远程信息处理和信息,35卷,不。4、776 - 789年,2018页。视图:出版商的网站|谷歌学术搜索
31. Tamanini, p . r . ibsen Pinheiro d·桑托斯和c . Nogueira”混合语言决策分析和机器学习的方法,”在计算机科学的课堂讲稿杨,j . t .姚明,y, r . Słowiński et al .,。,卷。7413,pp. 126–131, Springer, Berlin Heidelberg, 1 edition, 2012.视图:谷歌学术搜索
32. ibsen Pinheiro m .西芒球场,p . r ., A·b·阿尔布开克r . p . s .西芒r . s . n .代理和l . c . Nunes”多准则方法支持分布式软件开发项目的任务分配,”复杂性卷,2019篇文章ID 3926798, 22页,2019年。视图:出版商的网站|谷歌学术搜索
33. 主页,“国际功能、残疾和健康分类》,2020年,https://psychiatr.ru/download/1313?view=name=CF_18.pdf。视图:谷歌学术搜索
34. e . c, d。安德拉德,嗯莫德罗Hibrido em Aprendizagem变化e中口头de Decisao Aplicado ao de Autismo记录福塔雷萨大学,硕士论文,2020年。

版权

版权©2021 Evandro安德拉德等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。