استفاده از هوش مصنوعی برای پیشبینی و ارزیابی ریسک ابتلا به افسردگی با استفاده از دادههای پرسشنامه ها با مدل ترکیبی Voting Classifier

افسردگی یکی از شایع ترین اختلالات روانی در جهان است که تشخیص به موقع آن می تواند نقش تعیین کننده ای در بهبود کیفیت زندگی بیماران داشته باشد. این پژوهش با هدف پیش بینی و ارزیابی ریسک ابتلا به اختلال افسردگی انجام شده است. در این راستا، از مدل ترکیبی Voting Classifier بهره گیری شده که از ترکیب چند الگوریتم یادگیری ماشین (نظیر Random Forest، Logistic Regression و SVM) استفاده می کند تا دقت پیش بینی افزایش یابد. داده های مورد استفاده از پرسش نامه های معتبر مانند PHQ-۹، QIDS-۱۶ و HAM-D-۱۷ استخراج شده اند. عملکرد مدل ها با استفاده از معیارهایی مانند AUC، دقت، یادآوری و F۱-score ارزیابی شد. نتایج نشان داد که مدل Voting Classifier در مقایسه با رویکردهای سنتی مبتنی بر امتیاز مجموع پرسش نامه ها، عملکرد بهتری در شناسایی افراد در معرض افسردگی دارد. این مدل می تواند به عنوان ابزاری کارآمد برای غربالگری افسردگی در محیط های بالینی و غیرکلینیکی مورد استفاده قرار گیرد.

کلیدواژه ها:

افسردگی ، یادگیری ماشین ، Voting Classifier ، PHQ-۹ ، QIDS-۱۶ ، HAM-D-۱۷ ، پیش بینی ریسک