Ebeveynlerin Psikopatolojisi, Küçük Çocukların Gelişimsel-Duygusal Problemlerini Öngörüyor mu?

Does the Psychopathology of the Parents Predict the DevelopmentalEmotional Problems of the Toddlers?

Özet

Amaç: Ebeveyn psikopatolojisi, erken çocukluk döneminde psikopatolojik gelişim açısından risk olarak tanımlanmıştır. Bu çalışmada ebeveyn psikopatolojilerinin 1-3 yaş aralığındaki sosyal ve duygusal problemler üzerine etkilerinin araştırılması ve risk altındaki çocukların belirlenmesi amaçlanmıştır. Yöntemler: Çalışma verileri Türkiye’yi temsil eden 2009 Erken Çocukluk Ruh Sağlığı Profilinden elde edilmiştir. Çocuğun birincil bakıcısı 1-3 yaş arasında Psikiyatrik Değerlendirme Formu, Kısa 1-3 yaş Sosyal-Duygusal Değerlendirme Ölçeği (KSDDÖ), Yaşlar ve Çağlar Ölçeği (YÇÖ), kendileri için Kısa Belirti Envanteri’ni doldurmuştur. Tahmin için makine öğrenme modelleri kullanılmıştır. Tahmin modellerinin performansı on kat çapraz validasyon yöntemi ile değerlendirilmiştir. Eğri Altındaki Alan (EAA) değerleri, her bir modelin performansını değerlendirmek için ROC eğrileri ile hesaplanmıştır. Bulgular: Değerlendirme ortalama yaşı 26.19 ± 9.11 ay (dağılım, 10- 48 ay) olan 1507 (% 54.3) erkek ve 1268 (% 45.7) kızdan oluşan 2775 çocuğun verileriyle yapıldı. Toplam 106 çocuk, KSDDÖ noktalarının klinik kesme noktasının (1.5 standart sapma) üstünde veya YÇÖ’nün gelişim alanlarından herhangi birinin kesme noktalarının altında olduğu belirlendi ve riskli olarak tanımlandı. Bu 106 çocuğun verilerine modelleme uygulanmıştır. Otomatik olarak optimize edilmiş en yüksek EAA değerine sahip Destek Vektör Makineleri (SVM) modeli seçildi. Modelin klinik öneminin yorumlanmasını gösteren SVM algoritmasında değişkenlerin ağırlıkları hesaplandı. Sonuç: Ebeveyn psikopatolojisi ve davranış problemleri ile olan karmaşık ilişkiyi anlayabilmek için bu çalışmada makine öğrenme yöntemleri başarıyla kullanılmıştır. Daha büyük veri kümeleri, daha uzun takip süreleri ve daha güçlü algoritmalar ile yapılacak daha ileri çalışmalar risk gruplarını daha erken tanımlayabilecek ve erken müdahalelerin uygulanmasına olanak sağlayacaktır.

Abstract

Introduction: Parental psychopathology has been defined in respect ofpsychopathological development in early childhood. This study aimedto investigate the effects of parental psychopathologies on social andemotional problems in the age range of 1–3 years and to determinechildren at risk.Methods: The study data were obtained from the 2009 Early ChildhoodMental Health Profile taking population distribution into considerationwith the properties representing Turkey. The primary caregiver of thechild completed the Psychiatric Evaluation Form for 1–3 years, theBrief Infant-Toddler Social Emotional Assessment (BITSEA), the Agesand Stages Questionnaire (ASQ), and the Brief Symptom Inventory(BSI) for themselves. Machine learning models used for prediction.The performance of prediction models was evaluated with the ten-foldcross-validation method. Area Under Curve (AUC) values were calculatedwith Receiver Operating Characteristic (ROC) curves to evaluate theperformance of each model.Results: The evaluation was made of the data of 2775 children,comprising 1507 (54.3%) males and 1268 (45.7%) females with a meanage of 26.19±9.11 months (range, 10–48 months). A total of 106 childrenwere identified as at risk, as they were above the clinical cut-off point(1.5 standard deviations) of the BITSEA points and below the cut-offpoints of any one of the developmental areas of the ASQ. Modeling wasapplied to the data of these 106 children. The Support Vector Machines(SVM) model was selected for prediction with the automaticallyoptimized highest AUC value. Weighting for the SVM algorithm showedmothers’ BSI scores, fathers’ education and health problems, durationof breastfeeding, unplanned pregnancy are significant for predictingBITSEA-problem scores in the model.Conclusion: To be able to understand the complex relationship withparental psychopathology and behavioral problems, machine learningmethods were used successfully in this study. Further studies with moremassive data sets, more extended follow-up periods, and strongeralgorithms will be able to identify risk groups earlier and allow earlyinterventions to be implemented.