Dokument: Einfluss von ADHS-Erscheinungsformen und Komorbiditäten auf die Klassifikationsleistung eines Machine Learning Modells anhand von sMRT-Bildern und CBCL-Werten zur Diagnostik von ADHS bei Kindern und Jugendlichen

Titel:	Einfluss von ADHS-Erscheinungsformen und Komorbiditäten auf die Klassifikationsleistung eines Machine Learning Modells anhand von sMRT-Bildern und CBCL-Werten zur Diagnostik von ADHS bei Kindern und Jugendlichen
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=65665
URN (NBN):	urn:nbn:de:hbz:061-20240522-112538-2
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Furtmann, Ann-Kathrin Barbara [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 7,91 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 06.05.2024 / geändert 06.05.2024
Beitragende:	Prof. Dr. Meisenzahl-Lechner, Eva [Gutachter] Prof. Dr. phil. Pollok, Bettina [Gutachter]
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Die Aufmerksamkeitsdefizit- / Hyperaktivitätsstörung (ADHS) gehört in Deutschland zu den häufigsten psychischen Erkrankungen im Kindes- und Jugendalter. Bei der Diagnosestellung spielen Machine Learning basierte Verfahren eine immer größere Rolle. In den vergangenen Jahren wurden entsprechende Klassifikatoren für ADHS mit dem Fokus auf klinische Daten und Neuroimaging publiziert. Laut der Metaanalyse von Pullini et al. (2019) entsprachen nur 59 % der veröffentlichten Klassifikationen den aktuellen methodischen Standards. Diese Studie untersucht den Einfluss von ADHS-Erscheinungsformen und Komorbiditäten auf die Accuracy einer Machine Learning Klassifikation zur Diagnostik von ADHS bei Kindern und Jugendlichen. An einem Datensatz von 66 Kindern und Jugendlichen zwischen 8 und 18 Jahren mit ADHS und 45 gesunden Kontrollen wurde eine Klassifikation anhand von sMRT-Bildern und CBCL-Werten (Child Behaviour Checklist, Elternfragebogen) durchgeführt. Post-hoc wurden die Decision Scores für jeden einzelnen Studienteilnehmer sowie die Anzahl der falsch zugeordneten Fälle im Hinblick auf Unterschiede zwischen ADHS-Erscheinungsformen und Komorbiditäten analysiert. Die zweite Klassifikation wurde unter der Berücksichtigung der Erscheinungsformen und Komorbiditäten als Kovariaten durchgeführt. Für die externe Validierung wurde ein Datensatz des CMI Data Sets (N = 414) von Kindern und Jugendlichen mit und ohne ADHS gematched nach Alter, Geschlecht und ADHS-Erscheinungsform herangezogen. Die erste Klassifikation erreichte eine balanced Accuracy von 84,4 % bei großen Unterschieden zwischen den Datenmodalitäten MRT (53,2 %) und CBCL (91,4 %). Unter Einbezug der Erscheinungsformen und der Komorbiditäten konnte eine Verbesserung der bagged balanced Accuracy (92,6 %) sowie der auf MRT-Befunden basierenden Accuracy (68,4 %) erzielt werden. Die externe Validierung ergab eine balanced Accuracy von 80,7 % mit einer hohen Sensitivität von 97,3 % aber einer moderaten Spezifität von 64,0 %. Die Ergebnisse der Studie zeigen, dass ADHS ein heterogenes Erkrankungsbild aufweist, das durch die Erscheinungsform und Komorbiditäten beeinflusst wird. Die Berücksichtigung beider Faktoren in Machine Learning Klassifikationen zur Verbesserung der Genauigkeit in der Diagnostik ist deshalb sinnvoll. Attention deficit hyperactivity disorder (ADHD) is one of the most common mental disorders in childhood and adolescence in Germany. Machine learning-based methods are playing an increasingly important role in making diagnoses. In recent years, corresponding classifiers for ADHD have been published with a focus on clinical data and neuroimaging. According to the meta-analysis by Pullini et al. (2019), only 59 % of the published classifications met current methodological standards. This study investigates the impact of ADHD manifestations and comorbidities on the accuracy of a machine learning classification for diagnosing ADHD in children and adolescents. Classification was performed on a dataset of 66 children and adolescents between 8 and 18 years of age with ADHD and 45 healthy controls using sMRI images and CBCL (Child Behaviour Checklist, parent questionnaire) scores. Post-hoc, the decision scores for each study participant and the number of misclassified cases were analyzed with respect to differences between ADHD manifestations and comorbidities. The second classification was performed considering manifestations and comorbidities as covariates. For external validation, a dataset of the CMI Data Set (N = 414) of children and adolescents with and without ADHD matched by age, gender, and ADHD manifestations was used. The first classification achieved a balanced accuracy of 84.4 % with large differences between data modalities MRI (53.2 %) and CBCL (91.4 %). Inclusion of manifestations and comorbidities improved the bagged balanced accuracy (92.6 %) as well as the accuracy based on MRI findings (68.4 %). External validation showed a balanced accuracy of 80.7 % with a high sensitivity of 97.3 % but a moderate specificity of 64.0 %. The results of the study show that ADHD has a heterogeneous disease pattern influenced by manifestation and comorbidities. Consideration of both factors in machine learning classifications to improve accuracy in diagnosis is therefore reasonable.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät
Dokument erstellt am:	22.05.2024
Dateien geändert am:	22.05.2024
Promotionsantrag am:	20.03.2023
Datum der Promotion:	25.04.2024