Prediction of Mental Health Disorders: From Markers to Models in Artificial Intelligence
تستعرض هذه الورقة تطبيق الذكاء الاصطناعي في التنبؤ باضطرابات الصحة العقلية، حيث وجدت أن نماذج التعلم العميق تتفوق على التعلم الآلي التقليدي بدقة تتجاوز 85% مع تحديد وتصنيف العلامات البيولوجية المشتركة لتمكين تدخلات أكثر تخصيصاً وقائمة على البيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إن العقل البشري مشهد شاسع ومعقد، وعلى مر قرون، اعتمد فهم عواصفه —الاكتئاب والقلق وثقل التوتر الساحق— بشكل كبير على المحادثة. يصغي الطبيب إلى المريض وهو يصف مشاعره، ويراقب سلوكه، ويطبق إرشادات محددة للوصول إلى تشخيص. هذه الطريقة إنسانية للغاية، لكن لها حدود؛ فهي تعتمد على قدرة الشخص على التعبير عن ألم يصعب في كثير من الأحيان تسميته، كما أنها تعامل العقل كحالة ثنائية: إما أن يكون الشخص مريضاً أو لا. وفي السنوات الأخيرة، دخلت أداة جديدة هذا المجال، أداة لا تعتمد على الكلمات وحدها بل على اللغة الكهربائية الصامتة للجسم نفسه. هذا هو مجال الذكاء الاصطناعي، حيث تُعلّم الحواسيب إيجاد أنماط في البيانات تكون أكثر دقة مما يمكن للعين البشرية رؤيته. ومن خلال النظر في إيقاع ضربات القلب، أو النشاط الكهربائي للدماغ، أو حتى الطريقة التي ينام بها الشخص، بدأ الباحثون في معرفة ما إذا كانت الآلات قادرة على رصد العلامات المبكرة للضيق النفسي قبل وقوع الأزمة.
لقد سعى فريق من الباحثين من جامعة أميتي في الهند إلى رسم خارطة لهذا الإقليم الناشئ. أرادوا معرفة ما إذا كانت الحواسيب يمكنها التنبؤ بهذه الحالات الصحية النفسية الشائعة بشكل موثوق أفضل من الطرق التقليدية المستخدمة حالياً. وللقيام بذلك، لم يجروا تجربة واحدة في مختبر، بل أجروا مراجعة شاملة للعالم العلمي، حيث جمعوا وحللوا 185 دراسة مختلفة نُشرت على مدار العقد الماضي. استخدمت هذه الدراسات مجموعة متنوعة من البيانات، من فحوصات الدماغ وأجهزة مراقبة القلب إلى الاستبيانات وتسجيلات الفيديو. ونظر الباحثون في كيفية أداء البرامج الحاسوبية المختلفة، والتي تراوحت من الخوارزميات القديمة والبسيطة إلى أنظمة التعلم العميق الأحدث والأكثر تعقيداً، عند مطالبتها بتحديد علامات الاكتئاب أو القلق أو التوتر. كان هدفهم هو معرفة أي نهج هو الأفضل وفهم الإشارات البيولوجية التي تستخدمها الحواسيب فعلياً لاتخاذ قراراتها.
قام الباحثون أولاً بتنظيم القرائن البيولوجية التي تشير إلى الضيق النفسي في أربع مجموعات متميزة. فقد درسوا المؤشرات الفيزيولوجية الكهربائية، وهي الأنماط الكهربائية للدماغ التي تلتقطها أجهزة الاستشعار الموضوعة على فروة الرأس. كما فحصوا المؤشرات الفسيولوجية، مثل التغيرات في معدل ضربات القلب، وضغط الدم، وكيفية توصيل الجلد للكهرباء عندما يكون الشخص في حالة عاطفية. كما نظروا أيضاً في المؤشرات المناعية، وهي علامات الالتهاب في الجسم، والمؤشرات النفسية، مثل جودة ومدة نوم الشخص. ومن خلال تصنيف هذه الإشارات، استطاع الفريق رؤية أي منها يظهر بشكل متكرر لدى الأشخاص الذين يعانون من حالات معينة. فعلى سبيل المثال، وجدوا أن بعض الاضطرابات في موجات الدماغ والمستويات المرتفوة من بروتينات التهابية معينة ترتبط ارتباطاً وثيقاً بالاكتئاب، بينما كانت التغيرات في تباين معدل ضربات القلب شائعة في حالات القلق والتوتر.
بمجرد تنظيم البيانات البيولوجية، قارن الفريق بين أداء النماذج الحاسوبية. واختبروا أربعة أنواع رئيسية من الخوارزميات. ضمت المجموعة الأولى أدوات التعلم الآلي التقليدية، مثل "آلات المتجهات الداعمة" (Support Vector Machines)، التي تعمل مثل مصنف متطور يحاول رسم خط فاصل بين نقاط البيانات السليمة وغير السليمة، و"الغابات العشوائية" (Random Forests)، التي تبني العديد من أشجار القرار الصغيرة للوصول إلى نتيجة. كما اختبروا طريقة "الجيران الأقرب" (K-Nearest Neighbors)، وهي طريقة تخمن الحالة بناءً على مدى تشابه الحالة الجديدة مع الحالات السابقة. أما المجموعة الثانية فقد تألفت من نماذج التعلم العميق، وهي أنظمة متقدمة مصممة لمحاكاة طبقات الدماغ البشري. وتستطيع هذه الأنظمة معالجة البيانات الخام مباشرة، وتعلم الأنماط المعقدة دون الحاجة إلى قيام البشر بالإشارة يدوياً إلى كل سمة أولاً.
كانت نتائج هذه المقارنة واضحة ومتسقة. فقد أثبتت نماذج التعلم العميق أنها الأدوات الأكثر دقة وموثوقية للتنبؤ باضطرابات الصحة النفسية. فعند اختبارها للاكتئاب، حققت هذه النماذج المتقدمة متوسط دقة بلغ 96.04 بالمائة. وبالنسبة للقلق، وصلت إلى 92.31 بالمائة، وللتوتر حققت 94.14 بالمائة. والأهم من ذلك، أن هذه النماذج كانت مستقرة؛ إذ لم تتأرجح نتائجها بشكل حاد من دراسة إلى أخرى، مما يشير إلى قدرتها على التعامل مع البيانات الواقعية "الفوضوية" التي يقدمها المرضى فعلياً. في المقابل، أظهرت نماذج التعلم الآلي التقليدية، رغم فائدتها، تبايناً أكبر. فقد أدت "الغابات العشوائية" أداءً جيداً، لا سيما في حالات القلق والاكتئاب، لكن طريقة "الجيران الأقرب" الأبسط كانت الأكثر معاناة، خاصة عند محاولة اكتشاف التوتر، وغالباً ما أنتجت نتائج غير متسقة. وتشير الدراسة إلى أن قدرة التعلم العميق على إيجاد الروابط الخفية والمعقدة في البيانات تمنحه تفوقاً كبيراً على الطرق القديمة.
ومع ذلك، فقد كان الباحثون حذرين في الإشارة إلى أن هذه التكنولوجيا ليست بعد منتجاً نهائياً جاهزاً لكل عيادة طبيب. إذ يمثل "البيانات" عقبة رئيسية؛ فالعديد من الدراسات التي راجعوها اعتمدت على مجموعات صغيرة من الناس، غالباً من الطلاب أو موظفي المستشفيات، مما يعني أن النماذج الحاسوبية قد لا تعمل بنفس الكفاءة مع كبار السن، أو الأطفال، أو الأشخاص من خلفيات ثقافية مختلفة. هناك أيضاً نقص في البيانات طويلة المدى؛ فمعظم الدراسات نظرت إلى لحظة زمنية واحدة بدلاً من تتبع كيفية تغير الصحة النفسية للشخص عبر أشهر أو سنوات. علاوة على ذلك، أكد الباحثون أن هذه الأدوات لا ينبغي أن تحل محل الأطباء البشر، بل يجب أن تعمل كنظام دعم، كوسيلة لرصد علامات الإنذار المبكر التي قد تغفل عنها العين البشرية.
إن الطريق إلى الأمام يتطلب معالجة هذه الفجوات. ويقترح الفريق أن العمل المستقبلي يجب أن يشمل مجموعات أكثر تنوعاً من البشر، ويركز على المراقبة المستمرة باستخدام الأجهزة القابلة للارتداء، مثل الساعات الذكية، التي يمكنها تتبع معدل ضربات القلب وأنماط النوم ليلاً ونهاراً. كما سلطوا الضل على الحاجة إلى قواعد أخلاقية صارمة لحماية البيانات الحساسة التي تجمعها هذه الأنظمة. وتخلص الدراسة إلى أنه بينما أظهر الذكاء الاصطناعي قدرته على رؤية أنماط في العقل البشري كانت غير مرئية سابقاً، فإن القيمة الحقيقية ستكمن في استخدام هذه الرؤى لمساعدة الناس بطريقة آمنة، وعادلة، وإنسانية بعمق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.