تحولات هوش مصنوعی در مراقبت از سلامت روان/ ردیابی بیماران با کمک هوش مصنوعی

به گزارش خبرنگار حوزه علم، فناوری و دانش‌بنیان گروه دانشگاه خبرگزاری آنا، پیشرفت‌های هوش مصنوعی، کامپیوترهایی را برای کمک به پزشکان در تشخیص بیماری و کمک به غربالگری علائم حیاتی بیماران از هر منطقه، در نظر گرفته است. پیشرفت‌های قابل‌توجهی در هوش مصنوعی حاصل شده است که به‌زودی بر نحوه اعمال مراقبت‌های بهداشت روان در محیط‌های کلینیکی روزمره تأثیر می‌گذارد. درنتیجه این موضوع درمان‌های فردی و یکپارچه سنتی و مدرن بهبود خواهد یافت، روش‌های پزشکی جایگزین، به‌تدریج ماندگارتر می‌شوند، داروهای مقرون‌به‌صرفه‌تری برای بسیاری از موضوعات سلامت روان ایجاد خواهد شد، و نتایج بهبود خواهد یافت.

در اروپا، سازمان بهداشت جهانی ارزیابی کرد که 44.3 میلیون نفر گرفتار افسردگی شده‌اند و 37.3 میلیون نفر به اضطراب مبتلا هستند. بریتا الوویگ، پزشک علوم اعصاب شناختی از دانشگاه ترومسو نروژ، می‌گوید: تشخیص اختلالات سلامت روان به روش قدیمی می‌تواند ذهنی و غیرقابل‌اعتماد باشد.

الوویگ اظهار داشت که مردم عالی و کامل نیستند. ذهن آن‌ها می‌تواند مشغول شود و گاه‌وبیگاه نشانه‌های گفتاری لطیف و علائم هشداردهنده را منتقل کنند. متأسفانه، آزمایش خون عینی‌ای برای سلامت روان وجود ندارد. الوویگ و فولتز برای ایجاد نوآوری در یادگیری ماشین همکاری کردند که به‌طورقطع می‌تواند تغییرات روزمره در گفتار را که اشاره به سلامتی ذهنی دارد کاهش دهد.

به‌عنوان‌مثال، جملاتی که از یک الگوی سازگار پیروی نمی‌کنند، می‌توانند ظهوری اساسی در اسکیزوفرنی باشند. تغییر در لحن یا سرعت حرف زدن می‌تواند نشان‌دهنده تنهایی یا افسردگی باشد، و از دست دادن حافظه می‌تواند نشانه‌ای از مشکلات شناختی و سلامت روان باشد. زبان راهی مهم برای شناخت حالات روحی بیمار است. با استفاده از تلفن‌های همراه و هوش مصنوعی، ما می‌توانیم بیماران را روزانه ردیابی کرده و این تغییرات ساده را غربال کنیم.

بعداً، بیماران ممکن است با بازوی شکسته‌شده به کلینیک پزشکی بروند و علاوه بر گچ گرفتن دست،  به دلیل داشتن خطر خودکشی مجبور به گذراندن دوره روان‌پزشکی لازم باشند. این موضوعی است که تعدادی از محققان با چارچوب هوش مصنوعی روی آن تمرکز می‌کنند تا رفتار افسردگی را زودتر از موعد به دست آورند و به کاهش ظهور اصلاحات شدید روحی کمک کنند.

الگوریتم یادگیری ماشین ساخته‌شده در مرکز پزشکی دانشگاه وندربیلت در ایالت نشویل ایالت متحده، با استفاده از داده‌های بستری در بیمارستان، ازجمله سن، جنس، کد پستی، دارو و تاریخچه شناختی بیمار، برای پیش‌بینی احتمال خودکشی افراد به کار می‌رود. در کارآزمایی‌ها با استفاده از داده‌های جمع‌آوری‌شده از بیش از 5 هزار بیمار که به دلیل خودآزاری یا اقدام به خودکشی در بیمارستان بستری شده‌اند، الگوریتم در پیش‌بینی اینکه آیا شخصی هفته بعد اقدام به خودکشی خواهد کرد 84٪ دقیق عمل کرد، و در پیش‌بینی اینکه آیا طی دو سال آینده شخصی خودکشی می‌کند، 80٪ دقیق عمل کرد.

پیشرفت در تکنیک‌های بزرگ تجزیه‌وتحلیل داده‌ها، به‌زودی به اتوماسیون تحقیقات ادبیات منجر می‌شود و اطلاعاتی با کیفیت بالا در طیف گسترده‌ای از روش‌های پزشکی مکمل و جایگزین ارائه می‌دهد. دریافت داده‌های بزرگ که برای تصمیم‌گیری در پزشکی و مراقبت از سلامت روان مفید است یک مسئله قابل‌توجه است زیرا پرداخت‌کنندگان و تهیه‌کنندگان انواع مختلفی از اطلاعات مخفی راجع به یک بیمار مشابه که اغلب در روش‌های مختلف رمزگذاری شده، دارند.

در داده‌های بزرگ، مرتباً بین دقت در سطح پایین و بینش در مورد مزایای درمان در سطح کامل، یک معامله برقرار است. با ترکیب مجموعه داده‌های بزرگ در مناطق بیشمار، به این مسئله پرداخته شده است؛ به‌عنوان‌مثال، داده‌های تحقیقات بالینی، اطلاعات مربوط به بهبود کیفیت، سوابق الکترونیکی سلامت، و استفاده از آنالیز چندمتغیره برای تشخیص گروه‌های بیمار که احتمالاً در زمینه‌های مختلف به داروهای مختلف واکنش نشان دهند.

به همین ترتیب، فیس‌بوک اجازه می‌دهد تا کاری مشابه در پلتفرم خود انجام شود. مدت‌هاست، این سازمان به کاربران این امکان را داده است تا محتوای خودکشی را گزارش دهند، بااین‌حال، سازمان شبکه‌های اجتماعی بعدازاینکه در سال 2017  چند نفر اقدام به پخش زنده خودکشی‌های خود در فیس‌بوک کردند، این تلاش‌ها را افزایش داد. حدود یک سال پیش، فیس‌بوک شامل نوآوری‌های مبتنی بر هوش مصنوعی بود که به‌طور طبیعی پیام‌هایی را با مفاهیم افکار خودکشی را برای مسئولان سازمان ارسال می‌کرد تا بررسی شود. به‌این‌ترتیب، سازمان در حال حاضر از الگوریتم‌ها و گزارش‌های کاربر استفاده می‌کند تا تهدیدات احتمالی خودکشی را نشان دهد.

محققان شرکت‌کننده در یک مطالعه منتشرشده در ژورنال روان‌پزشکی جهانی (World Psychiatry)، از یک کامپیوتر یادگیری ماشینی (هوش مصنوعی) برای توصیف الگوهای گفتاری در مبتلایان به اسکیزوفرنی استفاده کردند و 83٪ در پیش‌بینی زمان وقوع جنون دقیق بودند.

علاوه بر این، در سال 2019، دانشمندان دانشگاه پنسیلوانیا نیز به کمک پردازش زبان طبیعی در مورد اظهارات تنهایی در میان کاربران توییتر تفکر و اندیشه کردند دانشمندان حدود 400 میلیون توئیت بین سال‌های 2012 تا 2016 در پنسیلوانیا را جمع کردند. آن‌ها کاربرانی را که پست‌های آن‌ها شامل کلمات «تنهایی» یا «تنها» بود، متمایز کردند و آن‌ها را با گروه‌های دیگر مقایسه کردند. دانشمندان  با استفاده از پردازش زبان طبیعی، موضوعات و الگوهای روزانه پست‌های کاربر، رابطه آن‌ها با نشانگرهای زبانی سلامتی ذهنی را بیان کردند تا ببینند زبان می‌تواند علائمی از تنهایی را پیش‌بینی کند یا خیر.

این اکتشافات نشان می‌دهد که جدول زمانی مربوط به توئیتر بیش از 6000 حساب کاربری، با پست‌هایی که کلمات «تنهایی» یا «تنها» و همچنین مضامین مربوط به روابط ارتباطی مشکل‌ساز، روابط بین فردی، علائم روانی، استفاده از مواد، تمایل به تغییر و خوردن ناسالم، را شامل می‌شد،  با نشانه‌های زبانی عصبانیت، خشم، افسردگی و اضطراب در ارتباط بودند.

درنتیجه هوش مصنوعی می‌تواند در پیش‌بینی و درمان بسیاری از بیماری‌های سلامت روان مفید واقع شود و راه نجات مدرنی برای مبتلایان به این بیماری‌ها باشد.

انتهای پیام/4112/پ