Machine learning and SHAP-based prediction of depression among residents in Gansu Province

يعد الاكتئاب عبئاً ثقيلاً يؤثر على ملايين الأشخاص في جميع أنحاء العالم، وغالباً ما يسرق القدرة على الشعور بالبهجة أو النوم بعمق. لعقود من الزمن، حاول الأطباء والباحثون تحديد من هم عرضة للخطر من خلال البحث عن روابط خطية مستقيمة: إذا كان لدى الشخص مشكلة واحدة، فمن المرجح أن يعاني من مشكلة أخرى. لقد افترضوا أن المزيد من مشاات النوم يعني مزيداً من الحزن، أو أن معرفة المزيد عن الصحة العقلية تساعد دائماً. لكن العقول البشرية نادراً ما تكون بهذه البساطة. أحياناً، تكون العلاقة بين عامل الخطر والمرض منحنية، أو تتغير اعتماداً على من أنت. ولإيجاد هذه الأنماط الخفية، يتجه العلماء الآن إلى نوع جديد من الأدوات: تعلم الآلة. وخلافاً للرياضيات التقليدية، التي تجبر البيانات على الدخول في خطوط مستقيمة ومرتبة، يمكن لهذه البرامج الحاسوبية أن تتعلم من المعلومات الفوضوية والواقعية لرؤية الأشكال والروابط المعقدة التي قد يغفل عنها البشر. والهدف ليس مجرد التنبؤ بمن قد يمرض، بل فهم السبب بدقة، حتى يمكن تقديم المساعدة للأشخاص المناسبين في الوقت المناسب.

في المناظر الطبيعية الشاسعة والمتنوعة لمقاطعة غانسو في شمال غرب الصين، شرع فريق من الباحثين في اختبار هذا النهج الجديد. لقد جمعوا معلومات من أكثر من 14,000 مقيم، وطرحوا أسئلة مفصلة حول نومهم، ومواقفهم تجاه الصحة العقلية، وعاداتهم اليومية، وعافيتهم العامة. أراد الفريق بناء نموذج يمكنه تحديد الأشخاص الذين يعانون من الاكتئاب بدقة، وهو حالة غالباً ما تمر دون ملاحظة حتى تصبح شديدة. قاموا بتغذية هذا الكم الهائل من البيانات في خمسة أنظمة مختلفة لتعلم الحاسوب، وتدريبها على التعرف على العلامات الدقيقة للاكتئاب. وبعد اختبار كل نظام بصرامة، وجدوا أن خوارزمية واحدة محددة، تُعرف باسم XGBoost، كانت الأفضل أداءً. فقد تمكنت من تحقيق مساحة تحت المنحنى (AUC) بلغت 0.7، وهو تحسن ملحوظ عن الطرق القديمة التي غالباً ما كانت تخطئ في رصد هذه الحالات. كان هذا النجاح حاسماً لأن الخطأ في رصد شخص يحتاج إلى المساعدة في بيئة مجتمعية هو أمر أسوأ بكما لو تم رصد شخص لا يحتاج إليها.

بمجرد اختيار النموذج الأفضل، فعل الباحثون شيئاً أكثر أهمية: طلبوا من الحاسوب شرح طريقة تفكيره. غالباً ما توصف نماذج تعلم الآلة بأنها "صناديق سوداء" لأنها تعطي إجابة دون توضيح كيفية الوصول إليها. ولحل هذه المشكلة، استخدم الفريق تقنية تسمى SHAP، والتي تفكك التنبؤ لتظهر بالضبط مدى مساهمة كل عامل في النتيجة. كشف الحاسوب عن حقيقة مفاجئة: لم يكن المتنبئ الأقوى بالاكتئاب هو العمر أو الجنس أو الدخل، بل كان الأرق. ومع ذلك، لم تكن قصة النوم بسيطة؛ فقد أظهرت البيانات أن خطر الاكتئاب لم يستمر في الارتفاع مع تدهور جودة النوم فحسب، بل إن الخطر بلغ ذروته لدى الأشخاص الذين يعانون من اضطرابات نوم متوسطة. أما أولئك الذين يعانون من أرق شديد فقد أظهروا في الواقع خطراً أقل للإصابة بالاكتئاب في هذه اللقطة الزمنية المحددة. ويقترح الباحثون أن هذا قد يحدث لأن الأشخاص الذين يعانون من مشاكل النوم الأكثر شدة إما يتلقون العلاج بالفعل، مما يقلل من اكتئابهم الحالي، أو أنهم يعانون من ضعف وظيفي شديد يمنعهم من المشاركة في الاستطلاعات المجتمعية. وفي الوقت نفسه، يمثل هؤلاء الذين في المنتصف — الأشخاص الذين يعانون من ضيق بسبب نومهم ولكنهم لم يطلبوا المساعدة الطبية بعد — نافذة حرجة حيث يمكن للتدخل المبكر أن يمنع أزمة أعمق.

كما كشفت الدراسة أيضاً عن علاقة معقدة بين شعور الناس تجاه الصحة العقلية وخطرهم الفعلي. فقد قاس الباحثون "الثقافة الصحية العقلية"، والتي تشمل ما يعرفه الناس عن الأمراض العقلية وكيف يشعرون تجاه طلب المساعدة. ووجدوا أن امتلاك موقف متوسط، وقلق نوعاً ما، تجاه الصحة العقلية كان في الواقع الحالة الأكثر خطورة. فالأشخاص الذين كانوا مدركين لصراعاتهم العاطفية ولكنهم يفتقرون إلى الثقة أو الموارد للعمل على تلك المعرفة كانوا هم الأكثر عرضة للخطر. الأمر كما لو أنهم يقفون على حافة منحدر، يرون الخطر ولكنهم غير قادرين على التراجع. في المقابل، كان الأشخاص الذين لديهم اهتمام منخفض جداً بالصحة العقلية غالباً في أمان، ربما لأنهم لم يكونوا يمعنون في التفكير في مشاكلهم، بينما كان أولئك الذين لديهم معرفة عالية ومواقف إيجابية مجهزين بشكل أفضل للتعامل مع الأمر. وقد خلق هذا شكلاً منحنياً على هيئة حرف U مقلوب في البيانات، مما يثبت أن مجرد معرفة المزيد عن الصحة العقلية ليس دائماً طريقاً مستقيماً نحو السلامة؛ فالموقف الذي يحمله المرء يهم بقدر ما تهمه الحقائق التي يعرفها.

ولعل الاكتشاف الأكثر كشفاً هو كيفية عمل هذه العوامل معاً. وجد الباحثون أن الأرق والموقف السلبي تجاه الصحة العقلية يعملان كتركيبة خطيرة. فعندما يعاني الشخص من مشاكل في النوم ويمتلك أيضاً مواقف سلبية تجاه طلب المساعدة، فإن خطر إصابته بالاكتئاب يرتفع بشكل صاروخي أعلى بكثير مما لو قمت بمجرد جمع هذين الخطرين معاً. أظهر الحاسوب أن هذين العاملين يضاعفان بعضهما البعض، مما يخلق عاصفة مثالية. ومن ناحية أخرى، لعب العمر دوراً مختلفاً؛ فمع تقدم الناس في السن، تضعف الصلة بين الأرق والاكتئاب. بالنسبة للبالغين الشباب ومن هم في منتصف العمر، كان اضطراب النوم علامة تحذيرية رئيسية، أما بالنسبة لكبار السن، فكان التأثير أقل حدة. وهذا يشير إلى أنه بينما يحتاج الشاب الذي يعاني من مشاكل في النوم إلى عناية عاجلة، فإن كبيراً في السن يعاني من نفس المشاكل قد يحتاج إلى نوع مختلف من الدعم، ربما يركز على التواصل الاجتماعي أو الصحة البدنية بدلاً من مجرد النوم.

تقدم نتائج دراسة غانسو مساراً واضحاً للمستقبل في مجال الصحة المجتمعية. وقد خلص الباحثون إلى أننا بحاجة إلى التوقف عن البحث عن أسباب بسيطة وخطية للاكتئاب، والبدء في البحث عن هذه العلاقات المنحنية والمعقدة. ستكون الاستراتيجية الأكثر فعالية هي استهداف المجموعة المحددة من الأشخاص الذين يعانون من مشاكل نوم متوسطة ويحملون مواقف سلبية تجاه الصحة العقلية. ومن خلال مساعدة هؤلاء الأفراد على إدارة نومهم وتغيير عقليتهم تجاه طلب المساعدة، يمكن للمجتمعات منع عدد كبير من الحالات المستقبلية. تثبت الدراسة أنه باستخدام أدوات حاسوبية متقدمة للاستماع إلى البيانات، يمكننا تجاوز الافتراضات القديمة وإيجاد الأنماط الدقيقة الحقيقية التي تحكم عافيتنا العقلية. هذا النهج لا يتنبأ بالمستقبل فحسب، بل يضيء الخطوات المحددة التي يمكننا اتخاذها اليوم لحماية عقول جيراننا.