社交焦虑症诊断的临床决策支持系统的开发和使用外文翻译资料

 2022-08-14 14:34:30

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

社交焦虑症诊断的临床决策支持系统的开发和使用

SinaFathia Maryam Ahmadia Behrouz Birashkb Afsaneh Dehnadc

强调

  • 社交焦虑症是仅次于特定恐惧症的第二大常见焦虑症。
  • 自适应神经模糊推理系统是诊断社交焦虑症的一种合适方法。
  • 诸如标准化，特征选择和异常检测之类的预处理阶段对于创建理想模型至关重要。
  • 不使用异常检测会导致决策模型较弱。
  • K折交叉验证可评估更可靠的模型。

研究意义

背景

根据世界卫生组织的定义，精神障碍由多种体征组成，通常由不寻常的思想，感觉，行为和与他人的关系共同构成。社交焦虑症（SAD）是最普遍的精神障碍之一，被描述为在社交场合中永久和严重的恐惧或尴尬感。考虑到SAD症状的不精确性，本研究的主要目的是使用自适应神经模糊推理系统（ANFIS）技术生成用于SAD诊断的智能决策支持系统，并使用敏感性，特异性和准确性进行评估指标。

方法

在本研究中，选择了样本量为214的真实世界数据集，并用于生成模型。该方法包括一个称为预处理，分类和评估的多阶段程序。预处理阶段本身包括三个步骤，即使用自组织映射（SOM）聚类方法进行归一化，特征选择和异常检测。采用5倍交叉验证的ANFIS技术对社交焦虑症进行分类。

结果与结论

使用具有七个输入特征的预处理数据集来训练ANFIS模型。混合优化学习算法和41个时期被用作最优学习参数。准确度，敏感性和特异性指标分别报告为98.67％，97.14％和100％。结果表明，提出的模型非常适合于SAD诊断，并且与其他研究结果相符。建议进行进一步研究，以研究诊断SAD严重性的决策支持系统。

关键词

社交焦虑症

社交恐惧症

自适应神经模糊推理系统

神经模糊

人工智能

临床决策支持系统

介绍

计划，组织，控制和管理主要取决于决策过程的高质量护理是医疗服务提供者的主要职责[1]。开发，应用和评估使用信息技术进行决策的新方法是精神病学最近研究的新趋势[2]决策支持系统（DSS）是采用个人，程序，软件，数据库，和专注于解决问题并支持决策者的工具[1]。从更具体的角度来看，临床决策支持系统（CDSS）是一种计算机系统，旨在促进临床医生对患者的决策程序，主要侧重于避免医疗失误和提高护理质量[3]。

1.1精神障碍概述

根据世界卫生组织（WHO）的定义，精神障碍也称为精神疾病，包含各种问题和症状，通常由不寻常的思想，感觉，行为以及与他人的关系组成[4]。这些疾病与表面上无法适应社交环境有关。但是，对急性紧张状态的预期反应，例如失去近亲，并不是精神障碍[5]。发展中国家的精神疾病或精神障碍日益严重。据报道，转诊至基层医疗机构的患者中约有50％患有精神病[2]Steel指出，在他的研究中，有29.2％的参与者一生中曾经经历过至少一种精神障碍的迹象，并且12个月的患病率为17.6％[6]。

1.2社交焦虑症

焦虑症的12个月患病率为6.7％，是全世界最普遍的精神障碍[6]。Bandelow提到，焦虑症一生中至少会影响三分之一的人口，与其他精神疾病相比，焦虑症的负担通常更为明显。欧洲联盟估计该疾病的成本约为410亿欧元[7]。

社交焦虑症（SAD），也称为社交恐惧症，是最普遍的焦虑症之一，被描述为在社交场合（如演讲或在公共场合吃饭，面对他人的判断力，人们关注的焦点，等[ 8，9 ]。根据国家合并症调查复制（NCS-R），SAD的终生患病率为13％，是仅次于特定恐惧症的第二常见的焦虑症，患病率为13.8％[7]。据DSM-5手册在美国报道，其12个月的患病率为7％[5]。因此，忽视这种疾病变得越来越困难，一些研究人员最近已经解决了这种疾病。

患有SAD的患者经常无法得到诊断和治疗。这种情况可能导致其他重大疾病，例如抑郁，进食障碍和药物滥用。由于患者不了解他们所患的疾病，因此对于精神病医疗保健提供者而言，检测通常具有挑战性。因此，设计一个诊断SAD的系统对于避免其他问题可能是有用的[10]。

在这项研究中，使用自适应神经模糊推理系统（ANFIS）对DSS进行建模以诊断SAD。ANFIS是一种人工智能方法，结合了神经网络（NN）和模糊逻辑技术来利用两者的优势来学习系统。这些优点通过模糊方法解决了不确定性和模糊性，并通过NN [11]处理了嘈杂的数据。因此，该研究的主要贡献如下：

1）

考虑到SAD症状的不精确性，我们提出了一种基于ANFIS的模型来诊断SAD，这是对该疾病进行的同类研究中的第一项研究。此外，由于目标特征的二进制类型，我们在ANFIS的输出中添加了hardlim（x）传递函数。

2）

我们使用多步骤预处理方式来改善模型性能，包括归一化，特征选择以及通过自组织映射（SOM）方法进行的基于聚类的异常检测。为了突出异常检测步骤对性能的影响，我们还比较了此步骤之前和之后创建的模型。

文献评论

Suhasini等[2]提出了一种用于诊断精神病的多模型决策支持系统。他们使用了一种混合方法，其中结合了反向传播神经网络（BPNN），径向基函数神经网络（RBFNN）和支持向量机（SVM）来创建DSS。该系统在识别精神疾病方面达到了98.75％的良好准确性。但是，它没有考虑某些症状的不精确性。

Ekong等[11]设计了一种基于智能神经模糊案例推理（CBR）的抑郁症严重程度诊断方法。与先前的研究类似，提出的框架是一种混合方法，唯一的区别是他们使用模糊方法来处理数据中的模糊性。

Windriyani等[12]提出了一种通过正向链接法诊断精神障碍的专家系统。他们利用专家的知识和MINI ICD-10作为设计系统的工具。尽管它是基于专家的知识，但系统的准确性为96％，这似乎令人满意。

Devi等[13]在他们的研究中，与我们的研究最相似，他们使用ANFIS方法来预测学生的焦虑状况。他们使用两个人格参数神经质和外向性作为模型的输入。这些参数由Maudsley人格量表（MPI）和Sinha的综合焦虑测试（SCAT）问卷收集，以测量参与该研究的36名学生的焦虑原始数据。通过MAPE和RMSE测量得出的预测误差分别为21.0和3.280，低于其他方法。似乎可以增加输入参数和参与者的数量，以提高模型的通用性。

在其他领域，模糊逻辑和ANFIS已被广泛部署以发挥诸如处理模糊性和不确定性之类的优势。例如，Ali等

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章