درمان اختلال دوقطبی با کمک هوش مصنوعی

اختلال دوقطبی یکی از پیچیده ترین اختلالات خلقی در روان پزشکی است که با نوسانات شدید خلق، عملکرد روانی و اجتماعی بیماران را به طور جدی مختل می سازد. تشخیص دقیق، پیش بینی فازهای بیماری، و انتخاب مناسب ترین رویکرد درمانی از چالش های مهم در مدیریت این اختلال به شمار می آیند. در سال های اخیر، هوش مصنوعی (AI) و به ویژه یادگیری ماشین (Machine Learning) به عنوان ابزارهایی نوظهور در تحلیل داده های بالینی و کمک به تصمیم گیری درمانی، توجه بسیاری را به خود جلب کرده اند. در این مطالعه، یک مدل ترکیبی مبتنی بر الگوریتم های یادگیری ماشین توسعه داده ایم که با تحلیل داده های بالینی بیماران دوقطبی، قادر به پیش بینی پاسخ به درمان و تعیین فاز بیماری (مانیا، افسردگی یا فاز پایدار) می باشد. داده های مورد استفاده شامل اطلاعات دموگرافیک، تاریخچه بیماری، الگوهای دارویی، و نتایج ارزیابی های روان سنجی ۲۵۳ بیمار در یک دوره پیگیری ۱۲ ماهه بوده است. مدل پیشنهادی از الگوریتم های Gradient Boosting و شبکه های عصبی بازگشتی (RNN) بهره می برد و عملکرد آن با معیارهایی مانند دقت (Accuracy)، حساسیت (Sensitivity) و سطح زیر منحنی ROC ارزیابی شده است. نتایج حاصل نشان می دهند که مدل ارائه شده، به طور معناداری عملکرد بهتری در مقایسه با روش های سنتی روان پزشکی در پیش بینی وضعیت بالینی بیماران و انتخاب داروی مناسب داشته است. این پژوهش، مسیر تازه ای برای به کارگیری هوش مصنوعی در درمان شخصی سازی شده اختلال دوقطبی گشوده و بر ضرورت همکاری بین رشته ای در روان پزشکی نوین تاکید دارد.

کلیدواژه ها:

اختلال دوقطبی ، هوش مصنوعی ، یادگیری ماشین ، درمان شخصی سازی شده ، پیش بینی فاز بیماری ، شبکه های عصبی ، داده های بالینی ، تصمیم یار درمانی ، تحلیل داده های روان پزشکی ، درمان مبتنی بر الگوریتم.