The investigation of WISC-R profiles in children with border intelligence and intellectual disability with machine learning algorithms

Abstract

Computer assisted diagnosis (CAD) systems have been used frequently in recent years in order to create a doctoral assistance decision support system using various patient information. In this study, it was aimed to compare the success of the Wechsler Intelligence Scale for Children (WISC-R) profiles by the decision trees algorithm applied to the CAD system, and the classification success in the detection of the border intelligence (BI), mild and moderate intellectual disability (ID). The data set of the study was formed by using WISC-R test results of 132 patients (50 BI, 61 mild ID and 21 moderate ID) diagnosed according to DSM-V. In order to compare the effect of WISC-R scores on the outcome, 132 patients' test scores: total, verbal and performance intelligence scores, verbal and performance intelligence subscale scores and 3 separate data sets were formed. The all the score types of the WISCR test, the first two node total intelligence scores were selected, and 108 of 132 patients were classified regardless of another attribute. In the decision tree, the first and third datasets containing the total intelligence section score type achieved a high classification success rate of 0.91. The results of this study show that the total intelligence score of the WISC-R profiles is the most effective in the decision trees algorithm in BI, mild and moderate ID diagnosis, and that CAD systems are possible.

Keywords

• WISC-R
• Decision tree
• Machine learning
• Border intelligence
• İntellectual disability

Sınır zekâ ve zihinsel yetersizliği olan çocuklarda WISC-R profillerinin makine öğrenme algoritmaları ile incelenmesi

Öz

Bilgisayar destekli tanı (BDT) sistemleri, çeşitli hasta bilgilerini kullanarak doktora yardımcı karar destek sistemi oluşturmak amacıyla son yıllarda sıklıkla kullanılmaktadır. Bu çalışmada BDT sistemine yönelik yapılan karar ağaçları algoritması uygulamasıyla, Wechsler Çocuklar için Zekâ Ölçeği (WISC-R) profillerinin, sınır zekâ (SZ), hafif ve orta düzeyde zihinsel yetersizlik (ZY) teşhisindeki sınıflandırma başarısının karşılaştırılması amaçlanmıştır. Çalışmanın veri seti DSMV’ e göre tanı konan 50 SZ, 61 hafif düzeyde ZY ve 21 orta düzeyde ZY olmak üzere toplam 132 hastanın WISC-R testi sonuç raporları kullanılarak oluşturulmuştur. WISC-R puanlarının sonuca etkisinin karşılaştırılabilmesi için 132 hastanın test puanları: toplam, sözel ve performans zekâ bölümü puanları; sözel ve performans zekâ bölümü alt ölçek puanları ve bu ikisinden oluşan 3 ayrı veri seti oluşturulmuştur. WISC-R testinin bütün puan türlerini içeren veri setinde, ilk iki düğüm toplam zekâ bölümü puanı seçilmiş ve burada 132 hastadan 108’i başka bir özniteliğe bakılmaksızın sınıflandırılmıştır. Karar ağacında, toplam zekâ bölümü puan türünü içeren birinci ve üçüncü veri setleri 0.91 gibi yüksek sınıflandırma başarısı elde etmişlerdir. Bu çalışma sonuçları, SZ, hafif ve orta düzeyde ZY teşhisinde, karar ağaçları algoritmasında WISC-R profillerinden toplam zekâ bölümü puanının en etkili olduğunu ve BDT sistemlerinin mümkün olabileceğini göstermektedir

Anahtar Kelimeler

• WISCR
• Karar ağaçları
• Makine öğrenmesi
• Sınır zekâ
• Zihinsel yetersizlik

Kaynakça

1. [1] Tassé MJ, Luckasson R, Nygren M. “AAIDD proposed recommendations for ICD-11 and the condition previously known as mental retardation”. Intellectual and Developmental Disabilities, 51(2), 127-31, 2013.
2. [2] Somma A, Marelli S, Giarolli LE, Maffei C, Strambi LF, Fossati A. “Interview-based ratings of DSM-IV Axis II/DSM-5 Section II Personality Disorder symptoms in consecutively admitted insomnia patients: A comparison study with consecutively admitted psychotherapy patients matched on age and gender”. Comprehensive Psychiatry, 87, 100-106, 2018.
3. [3] Whitaker S. “WISC‐IV and low IQ: review and comparison with the WAIS‐III”. Educational Psychology in Practice, 24(2), 129-37, 2008.
4. [4] Savaşır I, Şahin N. Wechsler Çocuklar İçin Zekâ Ölçeği (WISC-R). Ankara, Türkiye, Milli Eğitim Basımevi, 1995.
5. [6] Garali I, Adel M, Bourennane S, Guedj E. “Brain region ranking for 18FDG-PET computer-aided diagnosis of Alzheimer's disease”. Biomedical Signal Processing and Control, 27, 15-23, 2016.
6. [7] Itani S, Lecron F, Fortemps P. “Specifics of medical data mining for diagnosis aid: A survey”. Expert Systems with Applications, 118, 300-314, 2019.
7. [8] Jahmunaha V, Oh LS, Wei EKJ, Ciaccio E, Chua K, San RT, Acharya RU. “Computer-aided diagnosis of congestive heart failure using ECG signals-A review”. Physica Medica, 62, 95-104, 2019.
8. [9] Wall D, Kosmicki J, Deluca T, Harstad E, Fusaro V. “Use of machine learning to shorten observation-based screening and diagnosis of autism”. Translational Psychiatry, 2012. https://doi.org/10.1038/tp.2012.10.

9. [10] Mueller A, Candrian G, Kropotov JD, Ponomarev VA, Baschera GM. “Classification of ADHD patients on the basis of independent ERP components using a machine learning system”. Nonlinear Biomedical Physics, 2010. doi: 10.1186/1753-4631-4-S1-S1.
10. [11] Bedi G, Carrillo F, Cecchi GA, Slezak DF, Sigman M, Mota NB, Ribeiro S, Javitt DC, Copelli M, Corcoran CM. “Automated analysis of free speech predicts psychosis onset in high-risk youths”. NPJ Schizophrenia, 2015. https://doi.org/10.1038/npjschz.2015.30.
11. [12] Tenev A, Simoska MS, Kocarev L, Jordanov PJ, Müller A, Candrian G. “Machine learning approach for classification of adhd adults”. International Journal of Psychophysiology, 93, 162-166, 2014.
12. [13] Usta BM, Karabekiroğlu K, Şahin B, Bozkurt A. “Use of machine learning methods in prediction of short-term outcome in autism spectrum disorders”. Psychiatry and Clinical Psychopharmacology, 2018. doi:10.1080/24750573.2018.1545334.
13. [14] Farr S. “Free licenses for All RapidMiner products: machine learning without coding”. C2C Digital Magazine, 1(6), 2017. https://scholarspace.jccc.edu/c2c_online/vol1/iss6/19.
14. [15] Gulati P, Sharma A, Gupta M. “Theoretical study of decision tree algorithms to ıdentify pivotal factors for performance ımprovement: a review”. International Journal of Computer Applications, 141(14), 19-25, 2016.
15. [16] Yazar I, Yavuz SH, Çay AM. “Temel Bileşen Analizi Yönteminin ve Bazı Klasik ve Robust Uyarlamalarının Yüz Tanıma Uygulamları”. Journal of Engineering and Architecture of Eskişehir Osamangazi University, 22(1), 49-63, 2019.
16. [17] Lee SJ, Xu Z, Li T, Yang Y. “A novel bagging C4.5 algorithm based on wrapper feature selection for supporting wise clinical decision making”. Journal of Biomedical Informatics, 78, 144-155, 2018.
17. [18] Demir H, Erdoğmuş P, Kekeçoğlu M. “Destek Vektör Makineleri, YSA, K-Means ve KNN Kullanarak Arı Türlerinin Sınıflandırılması”. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6, 47-67, 2018.
18. [19] Girginer G, Cankuş B. “Tramvay Yolcu Memnuniyetinin Lojistik Regresyon Analiziyle Ölçülmesi: Estram Örneği”, Celal Bayar Üniversitesi İ.İ.B.F Yönetim ve Ekonomi Dergisi, 15(1), 181-193, 2008.
19. [21] Tomak L, Bek Y. “İşlem karakteristik eğrisi analizi ve eğri altında kalan alanların karşılaştırılması”. Journal of Experimental and Clinical Medicine, 27, 58-65, 2010.
20. [5] Wang H, Ahmed NS, Mandal M. “Computer-aided diagnosis of cavernous malformations in brain MR images”. Computerized Medical Imaging and Graphics, 66, 115-123, 2018.
21. [20] Şadi Evren Şeker. “Bilgisayar Kavramları”. http://bilgisayarkavramlari.sadievrenseker.com (01.01.2019).