چارچوب هوش مصنوعی چندوجهی و قابل تفسیر برای ارزیابی زودهنگام خطر اختلالات عصبی-روان پزشکی از پیش از بارداری تا رشد اولیه کودک

اختلالات عصبی-روان پزشکی از پیچیده ترین مشکلات سلامت انسان هستند و شکل گیری آن ها حاصل تعامل چندلایه عوامل ژنتیکی، زیستی، محیطی و رشدی است. این عوامل در طول مسیر رشد عصبی به صورت مستقل عمل نمی کنند، بلکه می توانند بر یکدیگر اثر گذاشته و الگوهای متفاوتی از خطر ایجاد کنند. شواهد حاصل از مطالعات طولی نشان می دهد که دوره پیش از تولد، بارداری و سال های ابتدایی زندگی در شکل گیری مسیرهای رشد عصبی اهمیت ویژه ای دارند. مطالعات کوهورت گسترده، از جمله مطالعه Norwegian Mother, Father and Child Cohort Study (MoBa)، امکان بررسی ارتباط میان عوامل اولیه زندگی و پیامدهای سلامت آینده را فراهم کرده اند. (Magnus et al., ۲۰۱۶) با این حال، تبدیل داده های چندلایه به یک چارچوب فردمحور برای ارزیابی خطر همچنان یک چالش علمی است. این پژوهش یک چارچوب پیشنهادی مبتنی بر هوش مصنوعی چندوجهی و توضیح پذیر ارائه می کند که داده های پیش از بارداری، دوران بارداری، تولد و رشد اولیه کودک را در یک مسیر تحلیلی یکپارچه قرار می دهد. هدف چارچوب، شناسایی الگوهای مرتبط با افزایش احتمال نیاز به پایش دقیق تر رشد عصبی و ارائه یک پروفایل خطر قابل تفسیر است. این چارچوب جایگزین تشخیص پزشکی یا تصمیم گیری متخصص نیست، بلکه به عنوان یک ابزار تصمیم یار طراحی می شود. در مسیر توسعه، استفاده از داده های طولی می تواند به شناسایی شاخص های کلیدی، کاهش داده های غیرضروری و ایجاد مدل های سریع تر و هدفمندتر برای ارزیابی پس از تولد کمک کند.

کلیدواژه ها:

هوش مصنوعی ، رشد عصبی ، ارزیابی خطر ، سلامت روان پیشگیرانه ، هوش مصنوعی توضیح پذیر ، مطالعات طولی ، پزشکی شخصی سازی شده