شناسایی ۱۱ متغیر کلیدی در پیشبینی درمان اختلال اضطراب فراگیر از طریق هوش مصنوعی

به گزارش آنا، محققان دانشگاه پنسیلوانیا نشان دادند که بهره‌گیری از هوش مصنوعی به ویژه ماشین لیرنینگ می‌تواند به روند بلند مدت بهبود اختلال اضطراب فراگیر (GAD) را پیشبینی کند.

این محققان بیش از ۸۰ عامل روان‌شناختی، جامعه‌شناختی و مرتبط با سلامت را برای ۱۲۶ فرد مبتلا به GAD تحلیل کردند و ۱۱ متغیر کلیدی را شناسایی کردند که می‌توانند با دقت تا ۷۲ درصد بهبودی را پیش‌بینی کند.

به گزارش آنا و به نقل از اس‌سی‌آیتک دیلی، وجود اختلال اضطراب فراگیر در افراد که با نگرانی بسیار زیادی در آنها همراه است اغلب پس از شش ماه تشخیص داده می‌شود و بیماری معمولا پس از درمان نیز دوباره عود می‌کند.

با این حال محققان دانشگاه پنسیلوانیا پیشنهاد می‌کنند که هوش مصنوعی (AI) می‌تواند به پیش‌بینی بهبودی بلندمدت کمک مرده و امکان ایجاد استراتژی‌های درمانی شخصی‌سازی شده‌تر را فراهم کند.

شناسایی ۱۱ متغیر کلیدی در پیشبینی بهبود

این محققان با استفاده از رویکرد ماشین لیرنینگ، نوعی از هوش مصنوعی، با شناسایی و تحلیل ۸۰ عامل اختلال اضطرابی از جمله متغیر‌های روان‌شناختی، جمعیتی، سلامتی و سبک زندگی از ۱۲۶ فرد ناشناس که اختلال اضطراب فراگیر‌ها تشخیص داده شود به GAD تشخیص داده شده بودند، ۱۱ متغیر کلیدی را شناسایی کردند که قوی‌ترین پیش‌بینی‌کننده‌های بهبودی یا عدم بهبودی در یک دوره نه ساله بودند و دقتی تا ۷۲ درصد را به‌دست آوردند.

مطالعات قبلی پیش بینی محدودتر و همچنین نرخ عودتری را نشان داده بود. کاندیس باستر فیلد محقق ارشد این مطالعه در این رابطه گفت: مدل‌های ماشین لیرنینگ، دقت، حساسیت و ویژگی خوبی در پیش‌بینی بهبودی یا عدم بهبودی یک نفر ارائه می‌دهد. به گفته او این موضوع در ایجاد درمان‌های شخصی‌سازی شده مبتنی بر شواهد برای بهبودی بلندمدت افراد مهم هستند.

یش‌بینی‌کننده‌های کلیدی بهبود و عدم بهبود

محققان متغیر‌های بنیادی را از طریق دو مدل ماشین لیرنینگ شامل یک مدل رگرسیون خطی و یک مدل غیر خطی مورد بررسی قرار دادند. عملکرد مدل خطی در شناسایی این ۱۱ متغیر کلیدی پیش‌بینی بهبودی یا عدم بهبودی عملکرد بهتری داشت و همچنین این مدل‌ها مشخص کردند که هر متغیر نسبت به سایر متغیر‌ها در پیشبینی روند بهبود چه اهمیتی دارد.

عوامل تأثیرگذار در بهبودی اختلال اضطراب فراگیر

در این مطالعه مشخص شد سطح بالاتر تحصیلات، سن بالاتر، حمایت بیشتر از دوستان، نسبت دور کمر به دور باسن بالاتر و احساس مثبت بیشتر (احساس شادتر بودن) به ترتیب برای بهبودی بسیار مهم هستند. در عین حال، احساس افسردگی، تبعیض روزانه، تعداد بیشتر جلسات با متخصص سلامت روان در ۱۲ ماه گذشته و تعداد بیشتر مراجعه به پزشک در ۱۲ ماه گذشته برای پیش‌بینی عدم بهبودی بسیار مهم بودند. محققان یافته‌ها را با داده‌های MIDUS تأیید کردند و دریافتند که متغیر‌های پیش‌بینی‌شده برای بهبودی با ۹۵ شرکت‌کننده‌ای که در پایان دوره نه ساله هیچ نشانه‌ای از اختلال اضطراب فراگیر نداشتند، همخوانی داشت.

میچل نیومن، نویسنده ارشد و استاد روان‌شناسی در دانشگاه پنسلوانیا گفت: نزدیک به ۵۰ تا ۶۰ درصد افراد مبتلا به اختلال اضطراب فراگیرد همزمان دارای افسردگی هستند. درمان‌های شخصی‌سازی‌شده می‌توانند بر روی این افسردگی هدف‌گذاری کرده و همچنین اضطراب را درمان کنند.

او افزود: مدل ماشین لیرنینگ نه تنها به پیش‌بینی‌کننده‌های فردی نگاه می‌کند بلکه به ما کمک می‌کند تا وزن آنها برای بهبودی یا عدم بهبودی و نحوه تعامل آنها با یکدیگر را درک کنیم، این امر فراتر از توانایی پیش‌بینی انسان است.