پیش‌بینی روند بهبود اختلال اضطراب فراگیر با هوش مصنوعی

مطالعه‌ای جدید از دانشگاه ایالتی پنسیلوانیا (Penn State) نشان می‌دهد که هوش مصنوعی می‌تواند در پیش‌بینی روند بهبودی بلندمدت اختلال اضطراب فراگیر (GAD) نقش مؤثری ایفا کند.

به گزارش بازتاب امروز، این تحقیق که در مجله Journal of Anxiety Disorders منتشر شده است، بر اهمیت استفاده از فناوری‌های پیشرفته برای ارائه درمان‌های شخصی‌سازی‌شده تأکید دارد.

اختلال اضطراب فراگیر (GAD) با نگرانی مداوم و بیش‌ازحد، به مدت حداقل شش ماه شناخته می‌شود. افراد مبتلا به این اختلال حتی پس از درمان نیز اغلب دچار عود بیماری می‌شوند.

مدل‌های یادگیری ماشینی و بینش‌های جدید

پژوهشگران با استفاده از یادگیری ماشینی (نوعی از هوش مصنوعی)، بیش از ۸۰ متغیر روان‌شناختی، جمعیت‌شناختی، مرتبط با سلامت و سبک زندگی را از ۱۲۶ فرد ناشناس مبتلا به اختلال اضطراب فراگیر بررسی کردند. این داده‌ها از مطالعه‌ای به نام MIDUS وابسته به مؤسسه ملی سلامت آمریکا به‌دست آمده‌اند، که از سال ۹۶-۱۹۹۵ سلامت افراد بین ۲۵ تا ۷۴ سال را پیگیری کرده است.

مدل‌های هوش مصنوعی، ۱۱ متغیر کلیدی را شناسایی کردند که بیشترین توانایی را در پیش‌بینی بهبود یا عدم بهبود در یک دوره ۹ ساله دارند و توانستند به دقتی تا ۷۲ درصد دست یابند.

کندیس باسترفیلد، نویسنده اصلی مطالعه گفت: «تحقیقات پیشین نشان داده‌اند که نرخ عود بیماری در اختلال اضطراب فراگیر بسیار بالا است و پیش‌بینی بلندمدت بهبودی توسط پزشکان دقت بالایی ندارد. این تحقیق نشان می‌دهد که مدل‌های یادگیری ماشینی، دقت، حساسیت و ویژگی خوبی در پیش‌بینی افرادی دارند که بهبود می‌یابند یا نمی‌یابند. این ابزارهای پیش‌بینی‌کننده‌ می‌توانند برای ایجاد درمان‌های شخصی‌سازی‌شده مبتنی بر شواهد، بسیار مفید باشند.»

ابزارهای پیش‌بینی‌کننده‌ کلیدی بهبودی و عدم بهبودی

پژوهشگران متغیرهای اولیه را از طریق دو مدل یادگیری ماشینی بررسی کردند:

• یک مدل خطی که رابطه بین دو متغیر را روی یک خط تقریباً مستقیم بررسی می‌کند.
• یک مدل غیرخطی که به‌ صورت درختی شاخه می‌گیرد و با افزودن شاخه‌های جدید، خطاهای قبلی را اصلاح می‌کند.

مدل‌ها، ۱۱ متغیر اصلی را برای پیش‌بینی بهبود یا عدم بهبود از اختلال اضطراب فراگیر در یک بازه ۹ ساله شناسایی کردند. عملکرد مدل خطی بهتر از مدل غیرخطی بود. همچنین مدل‌ها، اهمیت نسبی هر متغیر را در مقایسه با سایرین در پیش‌بینی نتایج بهبودی مشخص کردند.

مؤثرترین عوامل در بهبودی اختلال اضطراب فراگیر

نتایج نشان داد که عواملی مانند: سطح تحصیلات بالاتر، سن بیشتر، داشتن حمایت بیشتر از سوی دوستان، لاغر بودن و احساسات مثبت بیشتر (مانند شاد بودن) نقش مهم‌تری در بهبودی دارند. در مقابل، احساس افسردگی، در معرض تبعیض قرار گرفتن، تعداد بیشتر جلسات با روان‌درمانگر در ۱۲ ماه گذشته و تعداد بیشتر مراجعات به پزشک در همان بازه زمانی، بیشترین نقش را در پیش‌بینی عدم بهبودی از اضطراب فراگیر داشتند.

آینده درمان اختلال اضطراب فراگیر

این یافته‌ها نشان می‌دهند که پزشکان می‌توانند با کمک هوش مصنوعی این متغیرها را شناسایی کنند و درمان‌های ویژه‌ای برای بیماران مبتلا به اختلال اضطراب فراگیر طراحی نمایند، به‌ویژه برای افرادی که اختلالات روانی دیگری نیز به‌طور هم‌زمان دارند.

میشل نیومن، نویسنده ارشد و استاد روان‌شناسی در پن استیت بیان کرد: «حدود ۵۰ تا ۶۰ درصد از افراد مبتلا به اختلال اضطراب فراگیر، هم‌زمان افسردگی نیز دارند. درمان‌های شخصی‌سازی‌شده می‌توانند هم اضطراب و هم افسردگی را هدف قرار دهند.»

وی تصریح کرد: «یادگیری ماشینی، علاوه بر بررسی متغیرهای پیش‌بینی‌کننده، به ما کمک می‌کند تا بفهمیم هر متغیر به چه میزان برای بهبودی یا عدم بهبودی مهم است و چگونه این متغیرها با یکدیگر تعامل می‌کنند.»

زمینه‌سازی برای درمان‌های هدفمندتر

پژوهشگران خاطرنشان کردند که این مطالعه نمی‌تواند مدت‌زمان دقیق ابتلا به اختلال اضطراب فراگیر را در این دوره ۹ ساله مشخص کند، چرا که این اختلال مزمن بوده و دوره‌های ظهور و فروکش‌کردن علائم در آن متغیر است. با وجود این، محققان معتقد هستند که این تحقیق زمینه‌ساز درمان‌های هدفمندتر برای افراد خواهد بود.

این مطالعه گامی مهم در جهت استفاده از فناوری‌های پیشرفته برای بهبود کیفیت زندگی افراد مبتلا به اختلالات روانی است و نشان می‌دهد که هوش مصنوعی می‌تواند به عنوان ابزاری قدرتمند در حوزه سلامت روان مورد استفاده قرار گیرد.