کاربرد هوش مصنوعی در ارزیابی سلامت روان ورزشکاران: مرور نظام مند و تحلیل روندهای پژوهشی

سلامت روان ورزشکاران در سطوح نخبه، با توجه به شواهد اپیدمیولوژیک حاکی از شیوع قابل مقایسه اختلالات روانی در این جمعیت با عموم مردم، به موضوعی اولویت دار در پزشکی ورزشی تبدیل شده است؛ در حالی که روش های سنتی مبتنی بر پرسشنامه های خودگزارشی با محدودیت های جدی ازجمله انحراف اجتماعی، عدم پیوستگی ارزیابی و تاخیر در شناسایی زودهنگام علائم مواجه اند. پژوهش حاضر با هدف مرور نظام مند و تحلیل روندهای پژوهشی در حوزه کاربرد هوش مصنوعی در ارزیابی سلامت روان ورزشکاران انجام شده است. جست وجوی منابع در پایگاه های داده PubMed، Scopus، Web of Science، IEEE Xplore و SID در بازه زمانی ۲۰۲۰ تا ۲۰۲۶ انجام گرفت. معیارهای ورود شامل مطالعاتی بود که از الگوریتم های هوش مصنوعی یا یادگیری ماشین برای ارزیابی، پیش بینی یا پایش سلامت روان ورزشکاران استفاده کرده باشند؛ مطالعات فاقد گروه ورزشکار، مروری روایی فاقد معیار انتخاب، و مطالعات با جمعیت بیمار غیر ورزشکار از بررسی خارج شدند. انتخاب مطالعات توسط دو پژوهشگر مستقل و بر اساس فرآیند PRISMA انجام شد. استخراج داده ها با استفاده از فرم استاندارد شامل مشخصات مطالعه، جمعیت، الگوریتم، متغیر پیامد، و شاخص های عملکرد مدل صورت گرفت. ارزیابی خطر سوگیری با ابزار PROBAST برای مطالعات پیش بینی انجام شد. از آنجا که ناهمگنی روش شناختی بین مطالعات امکان فراتحلیل کمی را محدود می ساخت، یافته ها به روش ترکیب روایت محور دسته بندی و تحلیل شدند. در مجموع ۲۸ مطالعه واجد معیار ورود تشخیص داده شدند. یافته ها نشان داد الگوریتم های یادگیری ماشین، به ویژه مدل های جنگل تصادفی، ماشین بردار پشتیبان و شبکه های عصبی عمیق، توانایی قابل قبولی در پیش بینی علائم افسردگی، اضطراب و فرسودگی ورزشکاران از طریق تحلیل داده های زیستی و رفتاری نشان می دهند. فنوتیپ سازی دیجیتال با استفاده از حسگرهای پوشیدنی، پایش مستمر و غیرمزاحم وضعیت روانی را ممکن ساخته و پردازش زبان طبیعی ابزاری مکمل برای استخراج نشانگرهای روان شناختی از داده های متنی فراهم کرده است. محدودیت اصلی شواهد موجود، کوچک بودن اندازه نمونه ها، اعتبارسنجی نشدن فرابومی مدل ها در جمعیت های متنوع ورزشکاران، و نبود استانداردسازی در گزارش شاخص های عملکرد است. این شواهد حمایت می کنند که هوش مصنوعی ظرفیت واقعی برای تکمیل رویکردهای بالینی در ارزیابی سلامت روان ورزشکاران دارد، اما استقرار عملی آن مستلزم اعتبارسنجی چندمرکزی، توجه به ملاحظات اخلاقی داده محور، و ارتقای تفسیرپذیری مدل هاست.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، سلامت روان ورزشکاران ، فنوتیپ سازی دیجیتال ، پردازش زبان طبیعی (NLP) ، مرور نظام مند