جلوگیری از خودکشی با استفاده از هوش مصنوعی

به گزارش سینا پرس فارس، تلاش‌های آینده برای پیشگیری از خودکشی را می‌توان با هوش مصنوعی بهبود بخشید، از دست دادن هر زندگی ویرانگر است، اما از دست دادن زندگی به دلیل خودکشی فوق العاده غم انگیز است، خودکشی عامل اصلی مرگ و میر استرالیایی‌های 15 تا 44 ساله است که روزانه تقریباً 9 نفر را از بین می‌برد. بر اساس برخی برآوردها، اقدام به خودکشی 30 برابر بیشتر از مرگ و میر اتفاق می افتد.

«خودکشی وقتی اتفاق می‌افتد تأثیرات زیادی دارد. کارن کوسوما، دکترای دانشگاه نیو ساوت ولز، می‌گوید: این بر بسیاری از افراد تأثیر می‌گذارد و پیامدهای گسترده‌ای برای خانواده، دوستان و جوامع دارد. کاندیدای روانپزشکی در موسسه سگ سیاه، که به بررسی پیشگیری از خودکشی در نوجوانان می پردازد.

تحقیقات اخیری که توسط خانم کوسوما و مرکز تحقیقات کلان داده در سلامت انجام شد، شواهدی را بررسی کرد که از توانایی مدل‌های یادگیری ماشین برای پیش‌بینی رفتارها و افکار خودکشی بالقوه پشتیبانی می‌کرد. آنها کارآیی 54 الگوریتم یادگیری ماشینی را که قبلاً توسط محققان برای پیش‌بینی پیامدهای مربوط به خودکشی مانند فکر، تلاش و مرگ ایجاد شده بود، ارزیابی کردند.

این متاآنالیز نشان داد که مدل‌های یادگیری ماشینی در پیش‌بینی پیامدهای مربوط به خودکشی که به طور سنتی ضعیف عمل می‌کردند، از مدل‌های پیش‌بینی خطر معمولی بهتر عمل کردند.

خانم کوسوما می‌گوید: «به طور کلی، یافته‌ها نشان می‌دهند که یک پایه شواهد اولیه اما قانع‌کننده وجود دارد که می‌توان از یادگیری ماشینی برای پیش‌بینی نتایج مربوط به خودکشی در آینده با عملکرد بسیار خوب استفاده کرد.

در بخش های اورژانس (ED)، پزشکان اغلب از ابزارهای ارزیابی خطر، مانند پرسشنامه ها و مقیاس های رتبه بندی، برای مشخص کردن بیمارانی که در معرض خطر بالای خودکشی هستند، استفاده می کنند. با این حال، شواهد نشان می دهد که آنها در تعیین دقیق خطر خودکشی در عمل بی اثر هستند.

کوسوما می‌گوید: «در حالی که برخی از عوامل مشترک نشان داده شده است که با اقدام به خودکشی مرتبط هستند، خطرات برای یک فرد ممکن است در فرد دیگر بسیار متفاوت به نظر برسد. "اما خودکشی پیچیده است، با عوامل پویای بسیاری که ارزیابی ریسک را با استفاده از این فرآیند ارزیابی دشوار می کند."

تجزیه و تحلیل پس از مرگ افرادی که در کوئینزلند بر اثر خودکشی جان باختند، نشان داد، از بین افرادی که ارزیابی رسمی خطر خودکشی را دریافت کرده بودند، 75 درصد به عنوان کم خطر طبقه بندی شدند و هیچ کدام به عنوان پرخطر طبقه بندی نشدند. تحقیقات قبلی که 50 سال گذشته مدل‌های کمی پیش‌بینی خطر خودکشی را مورد بررسی قرار داده بود، همچنین نشان داد که در پیش‌بینی خطر خودکشی در آینده فقط اندکی بهتر از شانس هستند.

«خودکشی عامل اصلی از دست دادن سال‌ها زندگی در بسیاری از نقاط جهان از جمله استرالیا است. اما روش ارزیابی خطر خودکشی اخیراً توسعه نیافته است و ما شاهد کاهش قابل توجهی در مرگ‌های خودکشی نبوده‌ایم. خانم کوسوما می‌گوید در برخی سال‌ها، شاهد افزایش بوده‌ایم.

علی‌رغم کمبود شواهد به نفع ارزیابی‌های سنتی خطر خودکشی، تجویز آنها به عنوان یک روش استاندارد در محیط‌های مراقبت‌های بهداشتی برای تعیین سطح مراقبت و حمایت از بیمار باقی می‌ماند. افرادی که در معرض خطر بالا شناسایی می شوند، معمولاً بالاترین سطح مراقبت را دریافت می کنند، در حالی که کسانی که به عنوان کم خطر شناخته می شوند، ترخیص می شوند.

با استفاده از این رویکرد، متأسفانه، مداخلات سطح بالا به افرادی که واقعاً به کمک نیاز دارند داده نمی شود. بنابراین ما باید به دنبال اصلاح روند و کشف راه هایی باشیم که بتوانیم پیشگیری از خودکشی را بهبود بخشیم.» خانم کوسوما می گوید.

کوسوما ادامه میدهد: که نیاز به نوآوری بیشتر در زمینه خودکشی و ارزیابی مجدد مدل های استاندارد پیش بینی خطر خودکشی وجود دارد. تلاش‌ها برای بهبود پیش‌بینی خطر منجر به تحقیقات او با استفاده از هوش مصنوعی (AI) برای توسعه الگوریتم‌های خطر خودکشی شده است.

او می‌گوید: «داشتن هوش مصنوعی که می‌تواند داده‌های بسیار بیشتری نسبت به یک پزشک بالینی دریافت کند، می‌تواند بهتر تشخیص دهد که کدام الگوها با خطر خودکشی مرتبط هستند».

در مطالعه متاآنالیز، مدل‌های یادگیری ماشینی از معیارهایی که قبلاً توسط مدل‌های بالینی، نظری و آماری پیش‌بینی خطر خودکشی سنتی تعیین شده بود، عملکرد بهتری داشتند. آنها به درستی 66 درصد از افرادی که نتیجه خودکشی را تجربه می کنند و 87 درصد از افرادی که نتیجه خودکشی را تجربه نمی کنند به درستی پیش بینی کردند.

وی خاطر نشان کرد: «مدل‌های یادگیری ماشینی می‌توانند مرگ‌های خودکشی را به خوبی نسبت به مدل‌های پیش‌بینی سنتی پیش‌بینی کنند و می‌توانند جایگزینی کارآمد و مؤثر برای ارزیابی‌های ریسک مرسوم شوند».

مفروضات دقیق مدل‌های آماری سنتی، مدل‌های یادگیری ماشین را مقید نمی‌کنند. در عوض، آنها را می توان به طور انعطاف پذیر در مجموعه داده های بزرگ برای مدل سازی روابط پیچیده بین بسیاری از عوامل خطر و پیامدهای خودکشی اعمال کرد. آنها همچنین می توانند منابع داده پاسخگو، از جمله رسانه های اجتماعی را برای شناسایی اوج خطر خودکشی و زمان هایی که مداخلات بیشتر مورد نیاز است، ترکیب کنند.

کوسوما در ادامه گفت: «به مرور زمان، مدل‌های یادگیری ماشینی می‌توانند به گونه‌ای پیکربندی شوند که داده‌های پیچیده‌تر و بزرگ‌تری را برای شناسایی بهتر الگوهای مرتبط با خطر خودکشی دریافت کنند».

استفاده از الگوریتم‌های یادگیری ماشینی برای پیش‌بینی نتایج مربوط به خودکشی هنوز یک حوزه تحقیقاتی نوظهور است و 80 درصد از مطالعات شناسایی‌شده در پنج سال گذشته منتشر شده‌اند. خانم کوسوما می‌گوید تحقیقات آینده همچنین به مقابله با خطر سوگیری تجمع یافت شده در مدل‌های الگوریتمی تا به امروز کمک خواهد کرد.

خانم کوسوما می‌گوید: «تحقیقات بیشتری برای بهبود و تأیید این الگوریتم‌ها ضروری است، که سپس به پیشرفت کاربرد یادگیری ماشین در خودکشی کمک می‌کند.» "در حالی که ما هنوز در یک محیط بالینی فاصله داریم، تحقیقات نشان می دهد که این یک راه امیدوارکننده برای بهبود دقت غربالگری خطر خودکشی در آینده است."

مترجم: فتانه حق پرست

منبع: scitechdaily