ترکیب هوش مصنوعی تفسیرپذیر و پویایی شناسی سیستم در درمان افسردگی مقاوم به درمان مطالعه موردی بیمارستان اعصاب و روان

افسردگی مقاوم به درمان (Treatment-Resistant Depression یا TRD) یکی از پیچیده ترین و چالش برانگیزترین اختلالات روان پزشکی است که نسبت به درمان های رایج دارویی و روان درمانی پاسخ موثر نشان نمی دهد. این اختلال می تواند موجب افت چشمگیر عملکرد فردی و اجتماعی، تحمیل هزینه های سنگین به نظام سلامت و کاهش کیفیت زندگی شود. مطالعات گذشته عمدتا به پیش بینی پاسخ به درمان بر اساس یادگیری ماشین تمرکز داشته اند اما کمتر به تفسیر عوامل تاثیرگذار و پویایی روند درمان توجه کرده اند. هدف این پژوهش ارائه چارچوبی ترکیبی مبتنی بر دو رویکرد نوین در تحلیل داده های سلامت روان است: هوش مصنوعی تفسیرپذیر (Explainable AI یا XAI) و پویایی شناسی سیستم ها (System Dynamics). در گام نخست با استفاده از الگوریتم XGBoost، داده های بالینی بیماران تحلیل و با بهره گیری از روش SHAP (SHapley Additive explanations) مهم ترین عوامل موثر بر پاسخ دهی به درمان شناسایی شدند. در ادامه خروجی های این تحلیل به مدل پویایی شناسی در نرم افزار Vensim منتقل شد تا روابط علی، الگوهای بازخورد، تاخیرهای زمانی و تعاملات میان متغیرهای کلیدی بررسی گردد. همچنین در چارچوب این مدل یک اپلیکیشن سلامت روان دیجیتال برای پایش رفتاری بیماران طراحی شد که امکان مداخله های شخصی سازی شده را فراهم می آورد. نتایج حاکی از آن است که ترکیب XAI با مدل سازی دینامیک سیستم، شناخت عمیق تری از مسیرهای پیچیده درمان TRD ارائه داده و می تواند به تصمیم گیری های بالینی هوشمندانه تر و هدفمندتر منجر شود.

کلیدواژه ها:

افسردگی مقاوم به درمان ، هوش مصنوعی تفسیرپذیر ، پویایی شناسی سیستم ، SHAP ، XGBoost ، سلامت روان دیجیتال ، بازخورد ، مدل سازی دینامیک