خب بچهها امروز میخوام درباره یه تحقیق جالب حرف بزنم که اومده بررسی کنه چه کسایی تو کلگری که مشکل اعتیاد یا سلامت روان داشتن، اولین بار به خاطر بیخانمانی وارد سیستم درمانی شدن. منظور از سیستم درمانی اینجا یعنی وقتی برای اولین بار پزشکا متوجه میشن که یه نفر بیخانمانه یا نشانههایی از بیخانمانی داره.
تو این تحقیق، اطلاعات کلیِ ۲۳۲ هزار و خردهای نفر که تو کلگری زندگی میکردن و بین ۲۰۱۳ تا ۲۰۱۸ مشکل اعتیاد یا سلامت روان واسشون تشخیص داده شده رو جمع کردن. مثلاً یکی ممکنه افسردگی شدید یا وابستگی به مواد داشته باشه. سنشون هم بین ۱۸ تا ۶۵ بوده. بعد اومدن دیدن تو دو سال بعد از اینکه تو این گروه قرار گرفتن، چی میشه و کیا اولین بار با قضیه بیخانمانی تو درمان، برخورد میکنن.
جالب اینه که از این جمعیت عظیم، حدود ۱۸۸۶ نفر، یعنی فقط حدود ۰.۸۲درصد، اولین بار تو این دو سال به خاطر نشونههای بیخانمانی سر و کلهشون تو سیستم درمانی پیدا شده. یعنی رقمش نسبت به جمعیت خیلی کمه ولی خب واسه این افراد موضوع خیلی مهمیه.
حالا چی باعث میشه احتمال اینکه یکی تو این شرایط قرار بگیره بالا بره؟ طبق دادهها، کسایی که قبلاً بخاطر موارد اورژانسی سلامت روان مثلاً حمله عصبی یا اضطراب شدید به اورژانس مراجعه داشتن، احتمال بیخانمان شدنشون خیلی بالاتر بوده (تقریباً ۵ برابر بیشتر نسبت به بقیه). این عدد رو اونا با چیزی به اسم AOR یا همان “odds ratio تنظیمشده” سنجیدن، یعنی نسبت شانس تنظیمشده که خلاصهاش میکنه:”احتمال رخ دادن فلان اتفاق نسبت به یک گروه مرجع چقدره”. عددش واسه اورژانسیهای روانی میشه ۵.۲۸.
بعدش کسایی که سوءمصرف مواد مخدر داشتن (یعنی مصرف موادشون خطرناک یا کنترلنشده بود) تقریباً ۳.۸۷ برابر بیشتر احتمال داشت برای اولین بار نشونههای بیخانمانی داشته باشن. اختلالات مصرف مواد هم (یعنی کسایی که رسماً تشخیص گرفتن اعتیاد دارن)، حدود ۲ برابر نسبت به افراد عادی درگیر این قضیه شدن. جالبه بدونید مرد بودن هم یه فاکتور بود و مردها تقریباً ۱.۲۸ برابر بیشتر از خانمها تو این دام افتادن.
تو بخش پیشبینی اینکه کی بیشتر در معرض این خطره، اومدن دو مدل رو با هم مقایسه کردن: یکی مدل رگرسیون لجستیک که یه روش آماری معروف واسه پیشبینی اتفاقهاست، یکی هم مدلهای یادگیری ماشین مثل Random Forest و XGBoost. یادگیری ماشین یعنی مدلهای کامپیوتری که خودشون میتونن از روی دادهها یاد بگیرن و پیشبینیهای دقیقتری کنن، مخصوصاً وقتی داده زیاد یا پیچیدهست.
نتیجه چی شد؟ مدل XGBoost تونست یه کم بهتر عمل کنه. دقت پیشبینی (که با معیاری به اسم AUC یا “زیر منحنی” میسنجن)، یه درصد رفت بالا، و دقت (precision) هم دو درصد بیشتر شد. پس یادگیری ماشین یه سروگردن بالا بود ولی معجزه هم نکرد!
در کل ته ماجرا اینه: کسایی که مشکل سلامت روان شدید یا سوءمصرف مواد دارن، مخصوصاً مردها، بیشتر در معرض اینن که اولین بار به خاطر بیخانمانی وارد درمان بشن. ضمناً اگه بخواین باهوشتر پیشبینی کنید کی ممکنه تو این شرایط گیر کنه، یادگیری ماشین میتونه کمککننده باشه (هرچند هنوز جای پیشرفت داره). و البته این بررسی پایهاش روی دادههای رسمی و اداری بوده (یعنی اطلاعاتی که سیستم سلامت برای کارهاش ثبت میکنه)، پس یه کم با واقعیت بیرون تفاوت داره.
همین دیگه! اگه سوال یا نکتهای داشتین، درخدمتتونم 😉
منبع: +
