تشخیص اختلال استرس پس از سانحه با استفاده از داده های آزمون CANTAB و مدل های یادگیری ماشین

مقدمه: اختلال استرس پس از سانحه (PTSD) به عنوان یک واکنش شدید روانی و عاطفی به تجربه رویدادهای آسیب زا و ناگوار همچون جنگ، تهدیدات جانی، بلایای طبیعی و خشونت های شخصی شناخته می شود و اغلب منجر به ناهنجاری های مزمن روانی و جسمانی می شود. مطالعات نشان داده است که اختلال در عملکرد اجرایی  از شاخصه های این اختلال می باشد و ارزیابی های شناختی می تواند معیار مهمی در تشخیص آن باشد. روش کار: در این پژوهش از داده های آزمون CANTAB   تکلیف   SWM بالینی برای ارزیابی معیارهایی مانند DTLR، CD، BE، WE، TF و DD در مراحل مختلف استفاده شده است. داده ها پس از نرمال سازی، استاندارد شده و با اضافه کردن نویز گوسی تقویت شده اند. سپس یک مدل ماشین بردار پشتیبان با هسته گوسین که با توجه به ویژگی های خاص آن، توانایی بالایی در تفکیک الگوهای پیچیده و غیرخطی دارد، آموزش داده شده است. یافته ها: یافته ها  نشان میدهد که ویژگی های معرفی و استخراج شده در شناسایی تفاوت های پیچیده عملکرد شناختی، که نشانه های PTSD را بارز می سازند، بصورت موثری عمل نموده اند. اطلاعات جمع آوری شده از این ویژگی ها، توانایی بالای مدل را در شبیه سازی و تحلیل علائم PTSD و همچنین تمایز دقیق میان گروه های مبتلا و دارای اختلال  به طور موثری نشان می دهد. نتیجه گیری: مدل یادگیری ماشین به کار گرفته شده در این پژوهش، امکان استفاده از  آزمون CANTAB  به عنوان یک ابزار عصب شناختی برای تشخیص اختلال  PTSD  را فراهم کرده است. صحت تشخیص مدل پیشنهادی در این مطالعه ۹۸ درصد بود که نشان دهنده قدرت بالا و اطمینان بخشی در تشخیص صحیح افراد مبتلا به این اختلال است.

کلیدواژه ها:

Posttraumatic stress disorder ، Cognitive assessment ، CANTAB ، Machine learning ، اختلال استرس پس از سانحه ، ارزیابی شناختی ، آزمون CANTAB ، یادگیری ماشین