Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 هوش مصنوعی در ردیاب‌های تناسب‌ اندام، افسردگی را می‌شناسد

هوش مصنوعی در ردیاب‌های تناسب‌ اندام، افسردگی را می‌شناسد

دانشمندان در تلاش‌اند، با تکیه بر توانایی‌های هوش مصنوعی در ردیاب‌های تناسب‌ اندام، بیماری‌ها و اختلالات سلامت روان، همچون افسردگی و اسکیزوفرنی را در مراحل اولیه تشخیص‌ دهند.

اختلالاتی همچون اضطراب یا افسردگی، برخلاف بیماری‌های جسمی همچون بیماری‌های کلیوی، به‌سختی تشخیص داده می‌شوند؛ چون نشانگرهای زیستی مشخصی ندارند که با آزمایش‌های همیشگی ساده، شناسایی شوند. اینجاست که هوش مصنوعی در ردیاب‌های تناسب ‌اندام به‌ کمک پزشک می‌آید.

اختلالات سلامت روان را چگونه می‌توان شناخت

بیمارانی که از مشکلات سلامت روان رنج‌ می‌برند، نشانه‌های رفتاری و جسمی گوناگونی دارند و هرکس نشانه‌های خاص خودش را پدیدار‌ می‌کند. به‌ همین ‌خاطر نیز تشخیص زودهنگام و دقیق بیماری‌های سلامت روان، چالش بزرگی برای درمانگران به‌شمار می‌آید.

به‌تازگی پژوهشگران دانشگاه فناوری نانیانگ سنگاپور، درحال ساخت ابزاری هستند که با کمک هوش مصنوعی در ردیاب‌های تناسب‌ اندام، می‌تواند چالش شناختِ مشکلاتِ سلامت روان را حل‌کند.

هوش مصنوعی در ردیاب‌های تناسب‌ اندام، با کمک قابلیت پژوهش و پردازش در دیتاست‌های بزرگ، به‌ تشخیص نشانه‌های بیماری‌های مختلف سلامت روان کمک‌ می‌کند و به درمانگران اجازه‌ می‌دهد تشخیص دهند که وضعیت سلامت روان، در بیمار رو به وخامت می‌رود یا خیر.

ایوا بوجیک، متخصص رایانه و یکی از پژوهشگران پروژه مذکور، گفته است که اختلالات سلامت روان نمود فیزیکی هم می‌توانند داشته‌ باشند و دستگاه‌های پوشیدنی با کمک هوش مصنوعی در ردیاب‌های تناسب‌ اندام، به‌ تشخیص این نشانه‌ها کمک می‌کنند.

به گفته‌ بوجیک، پژوهشگران انواع متغیرها و سیگنال‌های مختلف موجود در این داده‌ها را که تحت عنوان نشانگر زیستی نیز شناخته ‌می‌شوند، جمع‌آوری کرده‌اند.

تشخیص افسردگی

هوش مصنوعی در سلامت قلب و الگوی خواب

هوش مصنوعی در سلامت کارکردهای مختلفی دارد، یکی از این کارکردها شناخت نشانگرهای زیستی ‌است. ازجمله نشانگرهای زیستی می‌توان به تپش قلب، الگوی خواب، مصرف کالری و تعداد گام‌های روزانه اشاره کرد. بوجیک دراین‌باره توضیح می‌دهد: «همبستگی این نشانگرهای زیستی را با علائم موجود مشخص‌کردیم، تا به مدل آموزش بدهیم.»

برای شناخت کارکرد هوش مصنوعی در ردیاب‌های تناسب ‌اندام یک مثال مهم وجود دارد؛ یکی از سیگنال‌های به‌کاررفته در این پروژه، میزان تپشِ قلبِ افرادی بود که از افسردگی رنج‌ می‌برند؛ در این گروه، ضربانِ قلب در ساعات میانی شب، یا به بیان دقیق‌تر بین 2 تا 4 نیمه‌شب، افزایش‌ می‌یابد.

هوش مصنوعی در سلامت با کمک نشانگرهای زیستی با پرسشنامه‌ای همراه می‌شوند، تا ارزیابی نهایی را امکان‌پذیر کنند و تشخیص‌ دهند کدام کاربران مبتلا به ‌افسردگی هستند.

بدین ترتیب، کاربران در دو گروه دسته‌بندی می‌شوند: «گروه صفر» برای کسانی که افسردگی ندارند و «گروه یک» برای کسانی که افسرده ‌هستند. مدل‌های یادگیری ماشینیِ هوش مصنوعی در ردیاب‌های تناسب‌ اندام نیز بر همین اساس ساخته ‌می‌شوند.

مدل یادگیری ماشینی می‌تواند با تکیه بر دانشی که از قبل آموخته ‌است، براساس شاخص‌های زیستی کاربران جدید، وضعیت سلامت روان آن‌ها را پیش‌بینی کند.

البته همان‌طور که بوجیک خاطرنشان می‌کند، هیچ‌‌چیز عاری از خطا نیست. پیش‌بینی‌های مدل هوش مصنوعی در سلامت، به‌صورت صفرویک نیستند؛ بلکه مدل درصدی از صفر تا 100 را ارائه می‌دهد و نتیجه کارِ هوش مصنوعی در ردیاب‌های تناسب ‌اندام به‌این بستگی دارد که آستانه را کجا در نظر بگیریم.

البته امکان خطا به‌مقدار جزئیات موجود در داده‌هاست؛ تمیز و دقیق ‌بودن داده‌ها و میزان استفاده از ردیاب‌های تناسب‌ اندام توسط کاربران بستگی ‌دارد.

بوجیک دقت هوش مصنوعی در ردیاب‌های تناسب‌ اندام را حدود 80 درصد برآورد می‌کند و می‌گوید: «گاهی اوقات، اگر در مورد کیفیتِ داده خیلی سخت‌گیر باشیم، سطحِ دقتِ مدل را می‌توانیم به 100 درصد هم برسانیم.»

وی خاطرنشان می‌کند، پرسشنامه مشکل‌زا بوده‌ است؛ چون بسته‌ به شیوه مطرح ‌کردن سؤال، پاسخ متفاوتی از کاربران دریافت ‌می‌کند.

ابزار غربالگری مبتنی بر هوش مصنوعی

در این سامانه‌ها از غربالگری مبتنی بر هوش مصنوعی نیز استفاده‌ می‌شود. متأسفانه گاهی ‌اوقات کاربران صادقانه برخورد نمی‌کنند؛ دلیل آن را شاید بتوان اندیشه‌های قالب درمورد بیماری‌های سلامتِ روان دانست، یا اینکه بیمار اصلاً از شرایط سلامت روانش آگاهی ندارند. آن‌ها آگاه یا ناخودآگاه، تلاش می‌کنند تا هوش مصنوعی در ردیاب‌های تناسب‌اندام را گول بزنند.

بوجیک توضیح می‌دهد: «با این‌ حال، علی‌رغم تمام چالش‌های موجود، بین نشانه‌های فیزیکی و دانشِ استخراج‌شده، همبستگی معناداری وجود دارد. پس می‌توان گفت هوش مصنوعی در ردیاب‌های تناسب اندام پتانسیل بالایی دارد. پروژه ما عمدتاً مربوط به ساختار ابزار غربالگری مبتنی بر هوش مصنوعی است؛ تا به‌ مردم کمک کند، وضعیت بیماری را تشخیص ‌دهند و با شروع درمان، مشکل را تحت کنترل قرار دهند.»

وی ادامه می‌دهد: «البته هوش مصنوعی در ردیاب‌های تناسب ‌اندام بدون نقص نیست و قصد ندارد جایگزین متخصصان سلامت روان شود؛ بلکه قرار است، آگاهی افراد را بالا ببرد و به متخصصان کمک کند، تا افراد دور از دسترس را زودتر تشخیص‌ دهند.»

پژوهش‌ها نشان ‌می‌دهند، تشخیص زودهنگام بیماری‌هایی همچون افسردگی و اسکیزوفرنی برای جلوگیری از تشدید وخامت‌شان ضروری ‌است.

به ‌عقیده بوجیک، یکی از نقاط قوت پروژه مذکور این ‌است که به‌جای تمرکز بر گروهی که پیش‌ از این به‌صورت تخصصی تشخیص ‌گرفته‌اند، عموم مردم را بررسی ‌می‌کند.

ردیاب‌های تناسب‌ اندام

داده‌کاوی برای سلامت روان چه نتیجه‌ای دارد؟

هوش مصنوعی در ردیاب‌های تناسب‌ اندام از داده‌کاوی برای سلامت روان نیز استفاده ‌می‌کند. پژوهشگران هنوز مشغول بررسی این‌ نکته هستند که بعد از تعیین احتمالِ بیماری در کاربران، چه‌ اقداماتی باید صورت ‌بگیرد.

بوجیک می‌گوید: «چطور می‌توان به‌ کاربر نزدیک‌ شد و داده‌های او را به‌ دست‌ آورد؟ آیا باید مستقیم به ‌او بگوییم که شما افسرده‌اید؟ هنوز به‌دنبال مؤثرترین راهکارِ ممکن هستیم. از سوی دیگر هم اگر هوش مصنوعی در ردیاب‌های تناسب‌ اندام مرتکب خطا شده‌ باشد، باید فکر کنیم که‌ این تشخیص اشتباه چه‌ تأثیری بر فرد می‌گذارد.»

در این ‌میان، پرسش‌هایی در مورد اخلاقیات و حریم خصوصی کاربران در داده‌کاوی برای سلامت روان هم مطرح‌ می‌شوند.

آیا دولت‌ها، آژانس‌ها و بیمارستان‌ها باید به ‌این اطلاعات دسترسی داشته‌ باشند؟ چطور می‌توان از داده‌کاوی برای سلامت روانِ افراد استفاده ‌کرد؟

به‌گفته بوجیک، از زوایای مختلفی می‌توان به‌این پرسش‌ها نگاه ‌کرد و در همه‌حال، باید به مسائل اخلاقی و حریم خصوصی توجه ‌داشت. پرسش‌های زیادی هستند که قبل‌ از استفاده از این اطلاعات باید پاسخ‌ داده ‌شوند.

بوجیک معتقد است که این اطلاعات جدید و الگوریتم‌های هوش مصنوعی می‌توانند به ‌مردم کمک‌ کنند. پژوهشگران در حال‌ حاضر بر تشخیص افسردگی تمرکز دارند، اما امیدوارند تا بتوانند، به‌زودی یافته‌های خود را در بیماری‌های فراموشی، تنهایی و اسکیزوفرنی نیز تکرار کنند.

بنر اخبار هوش مصنوعی

مقاله ما چطور بود؟

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.