Predicting depression from driving data using machine learning algorithms
تثبت هذه الدراسة إمكانية تطبيق المفهوم بأن خوارزميات تعلم الآلة، ولا سيما مصنفات الغابة العشوائية (Random Forest)، يمكنها بنجاح التمييز بين المرضى المصابين بالاكتئاب والمجموعات الضابطة السليمة من خلال تحليل بيانات محاكي القيادة عالية التردد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تعد القيادة عملية معقدة من الحسابات المستمرة؛ إذ يجب على السائق مراقبة الطريق، وتقدير المسافات، والتفاعل مع التغيرات المفاجئة، والحفاظ على يد ثابتة على عجلة القيادة، كل ذلك أثناء معالجة فيض من المعلومات الحسية. وعندما يعاني الشخص من الاكتئاب، وهو حالة تؤثر على المزاج والطاقة والقدرة على التفكير بوضوح، قد تصبح هذه الموارد الذهنية شحيحة. وهذا يثير تساؤلاً عملياً لخبراء السلامة: هل يغير الثقل غير المرئي للاكتئاب طريقة قيادة الشخص؟ وبينما بحثت دراسات سابقة في كيفية تأثير الأدوية على القيادة، كان التأثير المباشر للحالة الذهنية نفسها أصعب في التحديد. تشير بعض الدراسات إلى أن السائقين المصابين بالاكتئاب أكثر عرضة للحوادب، بينما لا تجد دراسات أخرى رابطاً واضحاً. وتكمن الصعوبة في أن سلوك القيادة دقيق ويختلف بشكل كبير من شخص لآخر، مما يجعل من الصعب رصد نمط معين بمجرد مراقبة سيارة تتحرك في الشارع.
قرر فريق من الباحثين من اليونان معالجة هذه المشكلة عن طريق تحويل القيادة إلى تدفق من البيانات. قاموا بتجنيد تسعة وستين سائقاً مرخصاً، اثنان وثلاثون منهم تم تشخيص إصابتهم بالاكتئاب الجسيم وتسعة وثلاثون لم يصابوا به. وبدلاً من إرسالهم إلى طرق سريعة حقيقية، حيث يمكن للطقس وحركة المرور أن تتدخل كمتغيرات كثيرة جداً، وضعهم الباحثون في أجهزة محاكاة القيادة. وهي غرف تقنية عالية تشبه داخل السيارة، كاملة بعجلات قيادة ودواسات وتروس حقيقية، لكنها تعرض طريقاً متحركاً على شاشات كبيرة. قاد المشاركون عبر سيناريوهات مختلفة، بما في ذلك الطرق السريعة وشوارع المدينة مع مستويات مختلفة من حركة المرور. سجلت الآلات كل حركة قام بها السائقون، مثل السرعة، ومدى قوة ضغطهم على المكابح، ومقدار دورانهم لعجلة القيادة، ومدى ابتعادهم عن السيارة التي أمامهم. وسجلت الحواسيب هذه التفاصيل حوالي ستين مرة في الثانية الواحدة، مما خلق سجلاً ضخماً ومفصلاً لكل قرار واستجابة.
بعد ذلك، قام الباحثون بتغذية هذه الجبل من البيانات في نوع من البرامج الحاسوبية المعروف باسم خوارزمية التعلم الآلي. يمكنك التفكير في هذه الخوارزميات كطالب يتعلم من خلال النظر في آلاف الأمثلة حتى يتمكن من رصد نمط قد يغفل عنه البشر. طُلب من الكمبيوتر النظر في سجلات القيادة وتحديد أي من السائقين مصاب بالاكتئب وأيهم لا، بناءً فقط على طريقة قيادتهم. جرب الفريق طريقتين مختلفتين لتغذية البيانات للكمبيوتر. في النهج الأول، أخذوا الرحلة بأكملها لكل شخص واختزلوها في ملخص واحد، بالنظر إلى متوسط السرعة أو الكمية النموذجية لحركة عجلة القيادة. وفي النهج الثاني، أبقوا البيانات كجدول زمني مستمر، مما سمح للكمبيوتر برؤية كيف يتغير سلوك السائق ثانية بثانية أثناء تنقله في المسار.
أظهرت النتائج أن الكمبيوتر استطاع بالفعل تعلم التمييز بين المجموعتين، لكن النجاح اعتمد على كيفية تقديم البيانات. عندما استخدم الباحثون نهج الملخص، كان نموذج الكمبيوتر ناجحاً للغاية، حيث حدد السائقين المصابين بالاكتئاب بنسبة سبعة وسبعين بالمائة تقريباً. وجد النموذج أن بعض العادات كانت بارزة؛ فعلى سبيل المثال، مال السائقون المصابون بالاكتئاب إلى امتلاك حركات أكثر تذبذباً في عجلة القيادة على الطريق السريع، وحافظوا على مسافة غير متسقة من السيارة التي أمامهم في حركة مرور المدينة. كانت هذه التحولات الصغيرة والمضطربة في السلوك هي القرائن التي استخدمها الكمبيوتر لإصدار حكمه. ومع ذلك، عندما حاول الباحثون استخدام النهج الثاني، وهو النظر في الجدول الزمني ثانية بثانية، واجه الكمبيوتر صعوبة أكبر؛ فقد واجه مشكلة في التمييز بين السائقين الأصحاء والمصابين بالاكتئاب، وغالباً ما كان يفترض أن الجميع تقريباً مصابون بالاكتئاب. يشير هذا إلى أن النمط العام للقيادة هو إشارة أقوى من التقلبات اللحظية.
كشفت الدراسة أيضاً عن شيء مهم يتعلق بطبيعة البيانات نفسها. وجد الكمبيوتر أنه من الأسهل بكثير تحديد السائقين المصابين بالاكتئاب مقار ب تحديد السائقين الأصحاء. كانت سلوكيات القيادة لدى المجموعة المصابة بالاكتئاب متسقة بشكل مفاجئ فيما بينها، كما لو أنهم جميعاً يقودون بطريقة متشابهة ومترددة قليلاً. أما السائقون الأصحاء، من ناحية أخرى، فكانوا متنوعين للغاية؛ فبعضهم قاد بسرعة، وبعضهم ببطء، وبعضهم انعطف بحدة، وبعضهم قاد بسلاسة. ولأن المجموعة السليمة كانت متنوعة جداً، وجد الكمبيوتر صعوبة أكبر في تحديد شكل السائق "الطبيعي". هذا الاختلال جعل النموذج منحازاً لرصد الاكتئاب، وهو تحدٍ شائع عند محاولة العثور على حالة معينة في مجموعة مختلطة من الناس.
بينما تعد النتائج واعدة، إلا أن الباحثين حذرون من الادعاء بأنهم وجدوا طريقة مثالية لتشخيص الاكتئاب من خلال القيادة. كانت الدراسة بمثاث إثبات مفهوم، حيث أظهرت أن الفكرة تعمل في محاكاة محكومة، لكنها لم تكن حلاً نهائياً. جاءت البيانات من تسعة وستين شخصاً فقط، واستخدمت الدراسة نوعين مختلفين من أجهزة المحاكاة، مما تطلب من الباحثين القيام بعمل إضافي لجعل البيانات متطابقة. كما تم تدريب نماذج الكمبيوتر على عدد قليل نسبياً من الأشخاص، مما يحد من مدى الثقة في تطبيقها على عامة الناس. ويقترح المؤلفون أن العمل المستقبلي يحتاج إلى تضمين المزيد من السائقين وربما استخدام تقنيات حاسوبية أكثر تقدماً لفهم النتائج بشكل أفضل. في الوقت الحالي، تقدم الدراسة منظوراً جديداً: الاكتئاب يترك بصمة خافتة ولكن يمكن اكتشافها على طريقة قيادة الشخص، وهو نمط يمكن للآلات تعلم قراءته، حتى لو غابت عن الأعين البشرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.