اگه یادتون باشه، این روزا همه‌جا حرف از هوش مصنوعیه و این‌که چطور می‌تونه مشکلات سخت زندگی رو آسون‌تر کنه. حالا یه تیم پژوهشی اومده با استفاده از هوش مصنوعی، یه روش جدید برای پیش‌بینی ریسک افسردگی تو سالمندایی که دچار کم‌توانی یا همون معلولیت جسمی هستن (یعنی افرادی که کارای روزمره‌ی ساده یا پیشرفته رو مثل لباس پوشیدن یا خرید انجام نمی‌تونن بدن) پیدا کرده. کلی اطلاعات بحال و کاربردی از این تحقیق در دستمونه که می‌خوام براتون تعریف کنم.
اول اینو بگم که محققین اومدن سراغ داده‌های طولی یا همون اطلاعاتی از یه مدت زمان طولانی مربوط به چین (مطالعه CHARLS که دقیق‌تر بخوای بدونی یعنی مطالعه طولی سلامت و بازنشستگی چین) بین سال‌های ۲۰۱۱ تا ۲۰۱۵، و داده‌های آزمایشی هم مربوط به سال ۲۰۱۸ تا ۲۰۲۰ گرفتن تا کارشون هم جامع باشه هم قابل اعتماد.
حالا بریم سر اصل قضیه: اونا از یه سری الگوریتم‌های خیلی متنوع هوش مصنوعی یا همون Machine Learning استفاده کردن که به طور خلاصه بهش میگیم ML (مثلاً مدل‌هایی مثل LR، MLP، XGBoost، Bagging، RF، SVM و… که هرکدوم شیوه خاص خودشون برای یادگیری از داده دارن)، تا بتونن پیش‌بینی کنن کدوم سالمندای کم‌توان ممکنه بعداً افسرده بشن. قبلش ولی لازم بود بین ۷۴ تا متغیر یا ویژگی مختلف، گلچین کنن کدوما واقعا تأثیرگذارترن! برای این کار به تکنیکای LASSO، Elastic Net و Boruta متوسل شدن. مثلا LASSO یه روش آماری باحال برای حذف ویژگی‌های کم‌اهمیته و Boruta کمک می‌کنه عاملای کلیدی رو پیدا کنی. تو آخرش به ۲۱ ویژگی رسیدن که واقعا نقش اساسی دارن.
بهترین مدل توی این تحقیق، HistGBM بوده (Hist Gradient Boosting Machine که یه مدل خیلی قوی و پرسرعت برای کار با داده‌های زیاد و تکه‌تکه‌ست). این مدل تونست به دقت (accuracy) حدود ۰.۷۱۳، F1 حدود ۰.۷۳۵ و AUC برابر با ۰.۷۷۹ برسه (AUC یه معیار باحاله برای نشون دادن قدرت پیش‌بینی درست مدل؛ هرچی نزدیک‌تر به ۱ بهتر). تازه جالبه بدونی فرق عملکرد مدل تو داده‌های آموزشی و آزمایشی فقط ۸.۵ درصد بوده و بین داده آزمایشی و اعتبارسنجی خارجی (یعنی داده‌هایی که هیچوقت مدل قبلا ندیده) هم فقط ۱۰ درصد اختلاف داشتن. این یعنی مدل حسابی باثبات بوده و تو زمان‌های مختلف قابل اعتماده.
یکی از چیزای جالب دیگه که توی این تحقیق استفاده کردن، تحلیل SHAP بوده (SHAP یا SHapley Additive exPlanations، یعنی روشی که بهت نشون می‌ده هر ویژگی چقدر روی تصمیم مدل اثر گذاشته). طبق SHAP، جالب‌ترین عوامل موثر تو پیش‌بینی افسردگی سالمندان کم‌توان، زمان خواب (میانگین عدد SHAP=۰.۳۴۴)، میزان رضایت از زندگی (۰.۳۳۹)، و حافظه اپیزودیک یا خاطرات روزمره (۰.۲۲۰) بودن. تازه اینا مهم‌تر از شاخصای پزشکی سنتی مثل فشار خون یا چربی خون عمل کردن! پس سبک زندگی و حس و حال کلی شخص، خیلی تاثیرگذارتر از بعضی عوامل فیزیکی صرف هستن.
ته ماجرا اینه که این تیم تونستن یه ابزار کاربردی هوش مصنوعی برای ارزیابی و غربالگری زودهنگام ریسک افسردگی تو سالمندان کم‌توان طراحی کنن. یعنی دکترا یا کارشناسای سلامت می‌تونن زودتر متوجه بشن چه افرادی نیاز به توجه و مراقبت‌های روحی بیشتر دارن. این کار هم تاثیر زیادی واسه بهبود کیفیت زندگی این آدم‌ها داره، هم می‌تونه راه رو برای استفاده هوش مصنوعی تو حوزه سلامت روان سالمندان هموار کنه.
راستی، وقتی حرف از external validation می‌زنیم، یعنی مدل رو روی یه سری داده کاملاً جدید امتحان می‌کنن تا از پایدار بودن و قابل اعتماد بودنش مطمئن بشن. همچنین وقتی میگیم feature selection framework، منظورمون یه روند هوشمندانه برای انتخاب بهترین عوامل اثرگذاره تا مدل هم باهوش‌تر باشه، هم نتایجش معنی‌دارترو قابل توضیح‌تر بشه.
پس اگر اطرافتون سالمندان کم‌توان دارن، یا توی فضای سلامت و سلامت روان کار می‌کنین، این خبر خیلی خوبی برای زودتر تشخیص دادن ریسک افسردگیه. هوش مصنوعی حسابی داره وارد زندگی روزمره‌مون میشه، مخصوصاً وقتی صحبت از کمک به سالمندان و آدم‌های آسیب‌پذیر باشه. به قول خودمون: تکنولوژی اگر درست استفاده شه، می‌تونه ناجی باشه، نه تهدید!
منبع: +
