پیش بینی افسردگی با استفاده از تکنیک های داده کاوی و الگوریتم های هوش مصنوعی

مقدمه: سبک زندگی مدرن امروزی باعث ایجاد انواع مختلف اختلالات سلامت روان در بسیاری از افراد و  مشکلات روانی زیادی مانند اضطراب، استرس و افسردگی شده است. در انجام مصاحبه، روانشناس با مشکلاتی مواجه است که معلول فرآیند مصاحبه، مصاحبه شونده و مصاحبه گر می باشند که این اشتباهات را می توان معلول شبکه بغرنج و بسیار پیچیده کنش هایی دانست که در روابط چهره به چهره بین مصاحبه گر و مصاحبه شونده صورت می گیرد. با توجه به اینکه انسان و روابط انسانی همیشه مستعد بروز خطا بوده و تشخیص اختلالات، بعضا تابعی از عواطف و احساسات مراجع و درمانگر می باشد، استفاده از ابزاری که بتواند بدون دخالت انسان و با دقت بسیار بالا افسردگی را پیش بینی کند، ضروری است. روش کار: در این پژوهش، از داده های واقعی برای پیش بینی افسردگی و معرفی روش پیشنهادی استفاده شد. این داده ها مربوط به ۶۰۰ نفر مراجعه کننده است که از میان آن ها ۲۹۷ نفر بدون افسردگی و ۳۰۳ نفر نیز دارای افسردگی تشخیص داده شده اند. در این پژوهش از درخت تصمیم C۵.۰  جهت استخراج قوانین و از الگوریتم ژنتیک برای انتخاب بهترین قوانین با بالاترین دقت پیش بینی استفاده گردید. ارزیابی روش پیشنهادی با استفاده از معیار تعداد نمونه های به درستی پیش بینی شده با وزن دهی انجام شد. یافته ها: نتایج نشان داد که روش پیشنهادی دقتی به مراتب بالاتر از بسیاری از روش های یادگیری ماشین ارائه می دهد همچنین از میان تمامی قوانین استخراج شده، همچنین از میان تمامی قوانین استخراج شده، قوانینی انتخاب گردیدند که بیشترین تاثیر و کمترین همپوشانی و تعارض را در تشخیص افسردگی یا عدم افسردگی داشتند. افزون بر این موثرترین ویژگی های دخیل در افسردگی نیز توسط الگوریتم مشخص گردید. براساس داده های مورد بررسی، به ترتیب انگیزه خودکشی، خود بیمار انگاری یا هیپوکندریازیس و ترومای دوران کودکی، به عنوان سه عامل مهم و موثر در افسردگی تشخیص داده شدند. نتیجه گیری: استفاده از تکنیک های داده کاوی و ابزارهای یادگیری ماشین در پیش بینی افسردگی بسیار کارا و موثر است. استخراج مهم ترین ویژگی های تاثیرگذار بر متغیر خروجی می تواند تاثیر بسزایی در کاهش زمان و هزینه مراجعان و همچنین افزایش دقت تشخیص درمانگر داشته باشد.

کلیدواژه ها:

Data Mining ، Depression ، Artificial Intelligence ، Genetic Algorithm ، Decision Tree ، داده کاوی ، افسردگی ، هوش مصنوعی ، الگوریتم ژنتیک ، درخت تصمیم