Кирилл Федорович Васильченко, кандидат медицинских наук, кафедра психиатрии, медицинской психологии
Омск
Kirill F. Vasilchenko, Cand. of Sci. (Med.), Department of Psychiatry and Medical Psychology
Omsk
Алена Владимировна Леонова, кандидат медицинских наук, кафедра психиатрии и наркологии
Тюмень
Alena V. Leonova, Cand. Of Sci. (Med.), Department of Psychiatry and Narcology
Tyumen
Григорий Михайлович Усов, доктор медицинских наук, заведующий кафедрой, кафедра психиатрии, медицинской психологии
Омск
Grigory M. Usov, Dr. of Sci. (Med.), Head of Department, Department of Psychiatry and Narcology
Omsk
Раева Татьяна Викторовна, профессор, доктор медицинских наук, заведующая кафедрой, кафедра психиатрии и наркологии
Тюмень
Tatyana V. Raeva, Professor, Dr. of Sci. (Med.), Head of Department, Department of Psychiatry and Narcology
Tyumen
Обоснование: задержка речевого развития характеризуется качественным и количественным недоразвитием словарного запаса и несформированностью экспрессивной речи. Данное нарушение относится к наиболее легким речевым патологиям, однако при этом существует высокая вероятность наличия сопутствующей психической патологии и возникновение проблем адаптации в школьном возрасте. В этиологии задержки речевого развития установлена ее многофакторная природа. Таким образом, существует необходимость разработки инструмента, прогнозирующего формирование задержки речевого развития у детей для своевременного проведения профилактических мероприятий.Цель исследования: разработать с применением алгоритмов искусственного интеллекта инструмент прогнозирования у детей до 1 года последующей задержки речевого развития.Пациенты и методы: были обследованы 196 детей. Средний возраст составил 26,9 мес. (SD ± 5,5 мес.). Выборка была разделена на две группы: в первую вошли пациенты с задержкой речевого развития (n = 98), во вторую — дети с нормальным речевым развитием (n = 98). Речевой статус оценивался с помощью опросника по определению речевого развития ребенка в возрасте от 18 до 36 мес. (Language Development Survey). В оценке факторов риска возникновения задержки речевого развития была использована «Анамнестическая карта ребенка». Для создания нейронной сети, предсказывающей у детей до 1 года задержку развития речи в дальнейшем, была разработана и обучена модель с помощью библиотеки Keras для языка программирования Python 3.0. Результаты: анализ эффективности работы нейронной сети показал высокий результат — 89% случаев во время обучения модели были определены верно. При этом чувствительность модели на проверочной выборке составила 100%, специфичность — 90%.Выводы: разработанный способ может быть использован в создании инструмента прогноза задержки речевого развития у детей в перспективе до трех лет, что позволит осуществлять дифференцированные лечебно-профилактические мероприятия, способствующие гармоничному развитию ребенка.
Background: the delay in language development is characterized by qualitative and quantitative underdevelopment of the vocabulary and the lack of formation of expressive speech. This violation belongs to the mildest speech pathologies, however, there is a high probability of the presence of concomitant mental pathology and the occurrence of adaptation problems at school age. In the etiology of delayed language development, its multifactorial nature has been established. Thus, there is a need to develop a tool that predicts the formation of a delay in speech development in children for the timely implementation of preventive measures.Aim of the study: to develop a tool for predicting speech development delay in children under one year old using artificial intelligence algorithms.Patients and methods: 196 children were examined. The mean age was 26.9 months (SD ± 5.5 months). The sample was divided into two groups: the first included patients with delayed speech development (n = 98), the second included children with normal speech development (n = 98). Speech status was assessed using a questionnaire to determine the speech development of a child aged 18 to 36 months (Language Development Survey). In assessing the risk factors for the occurrence of speech development delay, the “Anamnestic Card of the child” was used. To create a neural network that predicts speech delay in children under one year old, a model was developed and trained using the Keras library for the Python 3.0 programming language.Results: the analysis of the accuracy of the neural network showed a high result — 89% of the cases during the training of the model were identified correctly. At the same time, the sensitivity of the model on the test sample was 100%, and the specificity was 90%.Conclusions: the developed method can be used to create a tool for predicting speech development delay in children up to 3 years of age, which will allow for differentiated therapeutic and preventive measures that contribute to the harmonious development of the child.
The authors declare that there are no conflicts of interest present.