يعد استخدام التعلم الآلي للذكاء الاصطناعي (AI) لفحص الرعاية الصحية والتشخيص الطبي وعلوم الحياة مجال نمو مثير. توضح دراسة جديدة تمت مراجعتها من قبل الأقران ونشرت في مجلة PLOS ONE كيف يمكن للتعلم الآلي للذكاء الاصطناعي تحديد عوامل الخطر الفردية للأرق بناءً على بيانات السجل الصحي ووجدت أن الاكتئاب هو أقوى مؤشر.
كتب ألكسندر أ . هوانغ وصمويل واي هوانغ ، اللذان شاركا في تأليف البحث الذي أجرته National مسح فحص الصحة والتغذية ( NHANES). كان الاكتئاب والعمر والوزن ومحيط الخصر من أقوى العوامل التي تنبئ باضطراب النوم.
استخدمت الدراسة بأثر رجعي بيانات مجهولة المصدر بالكامل من أكثر من 7900 سجل مريض من الأمريكيين البالغين ، الذين تتراوح أعمارهم بين 18 عامًا أو أكبر ، من المسح الوطني لفحص الصحة والتغذية (NHANES) ، وهو برنامج رئيسي للمركز الوطني للإحصاءات الصحية (NCHS) وهو جزء من المراكز الأمريكية لمكافحة الأمراض والوقاية منها (CDC).
كتب العلماء: “إن أعظم قوة لهذه الطريقة الخوارزمية لتحديد المتغيرات المشتركة هي القدرة على البحث من خلال مئات المتغيرات المشتركة بشكل منهجي دون الاعتماد على حكم الباحث ، والتي قد تكون مشوشة بسبب التحيزات الشخصية المحتملة”.
يحتوي كل سجل مريض في قاعدة بيانات NHANES على أكثر من 680 متغيرًا مع معلومات من الاختبارات البدنية وبيانات المختبر والاستبيانات المبلغ عنها ذاتيًا ، بما في ذلك استبيان صحة المريض (PHQ-9) للاكتئاب ، بالإضافة إلى النظام الغذائي والتمارين الرياضية والمعلومات الديموغرافية.
يشتمل استبيان صحة المريض المكون من تسعة أسئلة (PHQ-9) على معايير تشخيص DSM-IV (الجمعية الأمريكية للطب النفسي ، 1994) لأعراض اضطراب الاكتئاب الرئيسي (MDD) في مسح للإبلاغ الذاتي يُستخدم لتشخيص وفحص ومراقبة المرض. شدة الاكتئاب عند البالغين. PHQ-9 مأخوذ من تقييم استبيان صحة المريض الأطول (PHQ). تم إنشاء كل من PHQ و PHQ-9 في عام 1999 من خلال منحة تعليمية من شركة Pfizer Inc. بواسطة Robert L. Spitzer ، MD ، Janet Williams ، DSW ، وكورت كرونكي ، MD وزملائهم في جامعة كولومبيا.
لاحظ الباحثون أن زيادة درجات PHQ-9 كانت مرتبطة ارتباطًا وثيقًا باحتمالات الإصابة باضطراب في النوم.
أجرى الباحثون الدراسة باستخدام أربعة أنواع من خوارزميات التعلم الآلي للذكاء الاصطناعي: الشبكة العصبية الاصطناعية (ANN) ، Random Forest (RF) ، Adaptive Boost (ADABoost) ، و XGBoost. من بين هؤلاء الأربعة ، كان أداء XGBoost هو الأفضل مع أعلى متوسط AUROC (المنطقة الواقعة تحت منحنى خاصية مشغل جهاز الاستقبال).
وخلص العلماء إلى أن “نماذج التعلم الآلي يمكن أن تتنبأ بشكل فعال بخطر الإصابة باضطراب النوم باستخدام المتغيرات الديموغرافية والمخبرية والبدنية ونمط الحياة وتحديد عوامل الخطر الرئيسية”.
