هوش مصنوعی، اختلال‌های روان‌پریشی را پیش‌بینی می‌کند
تیم تحریریه- ۸ دی ۱۴۰۰
یک الگوریتم هوش مصنوعی جدید، می‌تواند با موفقیت پیش‌بینی کند که کدام یک از کودکان مبتلا به ریزحذف‌های کروموزم 22، در آینده به شیزوفرنی و دیگر اختلالات روان‌پریشی دچار خواهند شد.
یک‌سوم کودکان مبتلا به ریزحذف کروموزوم 22، در آینده به بیماری‌های روان‌پریشی مانند شیزوفرنی، مبتلا می‌شوند؛ اما چگونه می‌توان فهمید کدام یک از این کودکان، به این بیماری‌ها مبتلا می‌شوند؟ درحال‌حاضر، پژوهش‌های مختلفی به فهم مکانیزم‌های عصب- زیست‌شناختی مرتبط با ایجاد بیماری‌های روان‌پریشی، کمک کرده‌اند. مشکل اینجاست که توانایی شناسایی کسانی که در معرض ابتلا هستند و اتخاذ روش درمانی مناسب، دشوار است.
در واقع، متغیرهای بسیاری علاوه بر متغیرهای عصب- زیست‌شناختی در ایجاد این بیماری‌ها نقش دارند. به همین دلیل، گروهی از دانشگاه ژنو (UNIGE) به گروهی از پژوهشگرانEPFL ملحق شده‌اند، تا در یک مطالعه طولی، از یک ابزار هوش مصنوعی استفاده کنند: روش تحلیل شبکه.
این الگوریتم، همبستگی میان بسیاری از متغیرها با زمینه‌های گوناگون (عصب- زیست‌شناختی، روان‌شناختی، شناختی و غیره) را در طی 20 سال بررسی می‌کند، تا مشخص سازد کدام یک از علائم فعلی، تعیین‌کننده بروز بیماری روان‌پریشی در مسیر رشدی کودک هستند.
این نتایج که در مجله eLife منتشر خواهند شد، امکان درمان زودهنگام کودکانی را فراهم می‌کنند که در معرض خطر ابتلا به اختلالات روانی هستند. هدف اصلی آن‌ها، پیشگیری یا حتی اجتناب از ابتلا به این بیماری‌ها است.
از هر چهار هزار نفر، یک نفر مبتلا به ریزحذف کروموزوم 22 است که در زمان بلوغ می‌تواند موجب ایجاد بیماری‌های روان‌پریشی مانند شیزوفرنی شود. با این حال، تنها یک‌سوم این افراد در نهایت به یک اختلال روان‌پریشی مبتلا می‌شوند. چگونه می‌توان این افراد را تشخیص داد؟
دکتر کورادو ساندینی، پژوهشگر گروه روان‌پزشکی دانشکده پزشکی دانشگاه ژنو و مرکز Fondation Pôle Autisme و نویسنده اول پژوهش، بیان می‌کند: «درحال‌حاضر، هدف از این مطالعات،سازوکارهای عصب- زیست‌شناختی درگیر در اختلالات روان‌شناختی و همچنین وجود علائم خاص مرتبط با بیماری‌های روانی هستند؛ اما نمی‌دانیم کدام یک از آن‌ها بیشترین ارتباط را با اختلالات بعدی دارند.
اگر نتوان میزان اهمیت هر علامت را در نظر گرفت، در پیش‌بینی سیر بیماری و فراهم کردن بهترین درمان برای بیمار، با مشکل مواجه می‌شویم. به همین دلیل، به فکر استفاده از روش تحلیل شبکه افتادیم. این روش که هم‌اکنون برای بزرگسالان استفاده می‌شود، امکان تلفیق متغیرهایی از زمینه‌های کاملاً متفاوت را در یک فضای تحلیلی مشترک فراهم می‌کند؛ اما هر کدام از آن‌ها را به صورت مجزا بررسی می‌کند.»
دکتر استفان الیز، استاد گروه روان‌پزشکی دانشکده پزشکی ژنو و مرکز Fondation Pôle Autisme، می‌گوید: «از آنجایی که ظهور بیماری‌های روان‌پریشی، صرفاً به متغیرهای عصب- زیست‌شناختی وابسته نیستند، این الگوریتم قادر است با مشخص کردن مهم‌ترین علائم، در خصوص احتمال بروز بیماری‌هایی همچون شیزوفرنی در آینده، هشدار دهد.»
یافتن علائم پیش‌بینی‌کننده
گروه دانشگاه ژنو با همکاری پژوهشگرانEPFL این روش‌شناسی را توسعه داده‌اند و آن را بر روی گروهی از کودکان و نوجوانان مبتلا به ریزحذف کروموزوم 22 که بعضی از آنان بیش از 20 سال تحت نظر بوده‌اند، اعمال کردند.
دیمیتری ون دویل، استاد گروه رادیولوژی و انفورماتیک پزشکی در دانشکده پزشکی دانشگاه ژنو و مؤسسه مهندسی زیستی EPFL، تأکید کرد: «هدف ما این است که با انجام مطالعات طولی، روش تحلیل شبکه را با بیماران جوان سازگار کنیم، تا در آینده، در خصوص این متغیرهای درهم پیچیده‌ای که در طول مسیر رشدی کودک به چشم می‌خورند، به داده‌هایی واضح‌تر دست یابیم. هدف نهایی این است که متغیرهای پیش‌بینی‌کننده ظهور بیماری‌های روان‌پریشی را در کودکی پیدا کنیم.»
این تصویر شماتیک، مطالعات طولی را که در حوزه روان‌پزشکی کودک از روش تحلیل شبکه استفاده کرده‌اند، نشان می‌دهد. بعد از محاسبه همبستگی بین علائم گوناگون در هر بار ارزیابی (معاینه) و به صورت کلی در طول زمان، شبکه‌ها بازسازی می‌شوند. بدین طریق، می‌توان خطر بروز اختلالات روان‌شناختی در نوجوانی را تخمین زد و مهم‌ترین اهداف درمانی را مشخص کرد.
استفان الیز می‌گوید: «به لطف عوامل کلیدی که ما را قادر می‌سازند در مکان و زمان موردنیاز وارد عمل شویم، اقدامات مناسب را می‌شناسیم. اگر بتوانیم این فاکتورها را تعیین کنیم، می‌توانیم علائم را طوری کنترل کنیم که خطر ابتلا به بیماری روان‌پریشی در آینده کاهش یابد.»
به منظور سنجش روش‌شناسی، 40 متغیر در 70 کودک مبتلا به ریزحذف کروموزوم 22 بررسی شدند. این کودکان در طول پژوهش، هر سه سال یکبار، معاینه می‌شدند.
کورادو ساندینی توضیح می‌دهد: «این متغیرها شامل توهمات، خُلق عمومی، احساس گناه و مدیریت استرس‌های روزانه بودند.» پرسش‌نامه‌هایی هم که والدین پر می‌کردند، داده‌های ارزشمندی فراهم می‌کردند.»
سپس، متغیرهایی که در پیش‌بینی مشکلات روان‌شناختی طی سه سال بعدی، نقش مهمی ایفا می‌کردند، با استفاده از مصورسازی‌های مختلف (بازنمایی‌های تصویری) مشخص شدند.
ساندینی در ادامه می‌گوید: «ما دریافتیم که یک کودک 10 ساله مضطرب که اضطرابش در نوجوانی تبدیل به ناتوانی در مدیریت تنش می‌شود، احتمالاً به یک بیماری روان‌پریشی دچار خواهد شد. بنابراین تکامل اضطراب، هشداری حائز اهمیت است. همچنین احساس ناراحتی که در طول زمان تبدیل به احساس گناه می‌شود نیز علامتی مهم است.»
روشی شخصی‌سازی‌شده برای کودکان
پژوهشگران برای اثبات نتایج و کارایی الگوریتم خود، آن را بر روی گروه دیگری که در معرض بیماری‌های روان‌پریشی بودند و البته سال‌ها تحت نظر بودند، اجرا کردند. درحال‌حاضر، هدف این است که از آن به عنوان ابزار پیش‌بینی استفاده کنند و علاوه بر این، با اضافه کردن دیگر متغیرها مانند وزن، آن را اصلاح کنند، تا در ارزیابی‌های بالینی استفاده شود.
در نهایت، کارآمدی این روش به قدرت پیش‌بینی آن و کمک به پیشگیری از بیماری است؛ اما بالاتر از هر چیزی، آنچه که این روش را از دیگر روش‌ها متمایز می‌کند، ویژگی کاملاً شخصی‌سازی‌شده آن است که مسیر رشد خاص هر کودک را جداگانه مورد مطالعه قرار می‌دهد.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید
