ترجمه فارسی مقاله افزایش پیش‌بینی ADHD در نوجوانان از طریق داده‌های پوشیدنی مشتق شده از Fitbit

چکیده

Attention-deficit/hyperactivity disorder (ADHD) is a prevalent neurodevelopmental condition characterized by a complex etiology. The diagnostic process for ADHD is often time-consuming and subjective in nature. Recent advancements in machine learning offer promising avenues for improving ADHD diagnosis automatically using various data sources. In this study, we harness Fitbit-derived physical activity measurements to investigate potential associations with ADHD and evaluate machine learning classifiers for their predictive accuracy in ADHD diagnosis. Our analysis involves a sample of 450 participants from the Adolescent Brain Cognitive Development (ABCD) study data release 5.0. We conduct correlation analyses to explore the connections between ADHD diagnosis and Fitbit-derived measurements, including sedentary time, resting heart rate, and energy expenditure. Subsequently, we employ multivariable logistic regression models to assess the predictive capability of these measurements for ADHD diagnosis. Furthermore, we train machine learning classifiers to achieve a diagnosis by automatically categorizing individuals into ADHD+ and ADHD-groups. Our correlation analysis unveils statistically significant associations between ADHD diagnosis and Fitbit-derived measurements, suggesting a potential link between physical activity patterns and ADHD. Importantly, multivariable logistic regression models demonstrate that some of the Fitbit measurements significantly predict ADHD diagnosis. Notably, our Random Forest machine learning classifier outperforms other classifiers with cross-validation accuracy (0.89), AUC (0.95), precision (0.88), recall (0.90), f1-score (0.89) and test accuracy (0.88), surpassing the performance of previous ADHD classification studies. These findings not only lay the groundwork for further exploration but also offer insights into the clinical integration of wearable data for a deeper understanding and improved identification of ADHD.

چکیده به فارسی (ترجمه ماشینی)

اختلال کمبود توجه/بیش فعالی (ADHD) یک وضعیت شیوع عصبی رشد است که توسط یک علت پیچیده مشخص می شود.فرآیند تشخیصی برای ADHD اغلب از نظر ماهیت و ذهنی است.پیشرفت های اخیر در یادگیری ماشین ، راه های امیدوارکننده ای را برای بهبود تشخیص ADHD به طور خودکار با استفاده از منابع مختلف داده ارائه می دهد.در این مطالعه ، ما از اندازه گیری فعالیت های بدنی مشتق از Fitbit برای بررسی ارتباطات بالقوه با ADHD و ارزیابی طبقه بندی کننده های یادگیری ماشین برای دقت پیش بینی کننده آنها در تشخیص ADHD استفاده می کنیم.تجزیه و تحلیل ما شامل نمونه ای از 450 شرکت کننده از رشد داده های رشد شناختی مغز در نوجوانان (ABCD) نسخه 5.0 است.ما تجزیه و تحلیل همبستگی را برای کشف اتصالات بین تشخیص ADHD و اندازه گیری های مشتق از Fitbit ، از جمله زمان بی تحرک ، استراحت ضربان قلب و هزینه انرژی انجام می دهیم.پس از آن ، ما از مدلهای رگرسیون لجستیک چند متغیره برای ارزیابی توانایی پیش بینی این اندازه گیری ها برای تشخیص ADHD استفاده می کنیم.علاوه بر این ، ما طبقه بندی کننده های یادگیری ماشین را آموزش می دهیم تا با طبقه بندی خودکار افراد در گروه های ADHD و ADHD به یک تشخیص دست یابند.تجزیه و تحلیل همبستگی ما از نظر آماری ارتباط معنی داری بین تشخیص ADHD و اندازه گیری های مشتق از Fitbit را پرده برداری می کند ، و این نشان می دهد یک ارتباط بالقوه بین الگوهای فعالیت بدنی و ADHD.نکته مهم ، مدل های رگرسیون لجستیک چند متغیره نشان می دهد که برخی از اندازه گیری های FITBIT تشخیص ADHD را به طور قابل توجهی پیش بینی می کنند.نکته قابل توجه ، طبقه بندی کننده یادگیری ماشین جنگلی تصادفی ما از سایر طبقه بندی کننده ها با دقت اعتبار سنجی متقابل (0.89) ، AUC (0.95) ، دقت (0.88) ، فراخوان (0.90) ، نمره F1 (0.89) و دقت آزمایش (0.88) بهتر است ،عملکرد مطالعات طبقه بندی قبلی ADHD.این یافته ها نه تنها زمینه را برای اکتشافات بیشتر فراهم می کند بلکه بینشی در مورد ادغام بالینی داده های پوشیدنی برای درک عمیق تر و شناسایی بهبود یافته ADHD ارائه می دهد.