ستایش ایدی زاده
افسردگی پس از زایمان (PPD) یکی از چالشهای عمده سلامت روان در روانشناسی بالینی و مراقبتهای مادر و کودک است. این اختلال تا ۱۵ درصد از افراد را پس از زایمان درگیر میکند. مراقبت و شناسایی بهموقع افراد در معرض خطر، شانس مداخلات پیشگیرانه را بهشدت افزایش میدهد. محققان سیستم بیمارستانی «ماس جنرال بریگام» ابزار جدیدی با هوش مصنوعی طراحی کردهاند. این الگوریتم هوشمند، امکان پیشبینی افسردگی پس از زایمان را با بررسی پرونده الکترونیک سلامت مادر فراهم میسازد.
چالش ارزیابیهای سنتی در شناسایی افسردگی پس از زایمان
پزشکان و روانشناسان بهطور معمول علائم افسردگی را در مراجعات ۶ تا ۸ هفته پس از زایمان ارزیابی میکنند. این تاخیر زمانی باعث میشود مادران هفتهها بدون دریافت درمان مناسب با استرس و احساس غم دستوپنجه نرم کنند.
الگوریتم جدید یادگیری ماشین این فاصـله زمانی را حذف میکند. این سیستم دادههای موجود در زمان ترخیص از بیمارستان را تحلیل میکند. اطلاعاتی مانند سوابق پزشکی، تاریخچه مراجعات و شاخصهای دموگرافیک در این ارزیابی وارد میشوند. الگوریتم با ترکیب این متغیرهای پیچیده، میزان خطر ابتلا به افسردگی پس از زایمان را برآورد میکند.
عملکرد الگوریتم هوشمند در پیشبینی خطر افسردگی
پژوهشگران برای طراحی و ارزیابی مدل خود، پرونده پزشکی ۲۹,۱۶۸ مادر باردار را بررسی کردند. این افراد بین سالهای ۲۰۱۷ تا ۲۰۲۲ در مراکز درمانی مختلف زایمان کرده بودند. در این گروه، ۹ درصد از افراد در شش ماه پس از زایمان علائم افسردگی را نشان دادند.
تیم تحقیقاتی از دادههای نیمی از بیماران برای آموزش هوش مصنوعی استفاده کرد. آنها سپس توانایی مدل را روی نیم دیگر بیماران سنجیدند. نتایج ارزیابی نشان داد که این الگوریتم در رد احتمال افسردگی در ۹۰ درصد از موارد کاملاً موفق عمل میکند. حدود ۳۰ درصد از افرادی که الگوریتم آنها را در گروه پرخطر قرار داده بود، در شش ماه بعد دچار افسردگی پس از زایمان شدند. این مدل توانست خطر بروز بیماری را دو تا سه برابر دقیقتر از تخمینهای عمومی پیشبینی کند.
اهمیت غربالگری جامع و بدون پیشفرض در مراقبتهای روانشناختی
نکته حائز اهمیت در این پژوهش، دقت یکسان مدل در گروههای مختلف سنی، نژادی و قومیتی است. پژوهشگران افراد دارای سابقه بیماریهای روانی را از مطالعه خارج کردند. آنها قصد داشتند توانایی مدل را در شناسایی افراد کمخطر و بدون سابقه قبلی ارزیابی کنند.
علاوه بر این، اضافه کردن نمرات پرسشنامه ادینبرگ (یک ابزار استاندارد سنجش افسردگی در بارداری) دقت مدل را افزایش داد. محققان در حال حاضر دقت این الگوریتم را در بالین بررسی میکنند. آنها تلاش میکنند این ابزار پیشبینیکننده را به بالین مادران منتقل کنند. ترکیب دانش بالینی متخصصان با این ابزار هوشمند، کیفیت خدمات روانشناسی و سلامت روان مادران را ارتقا میدهد.
شناسنامه و منبع مقاله علمی
عنوان اصلی مقاله: Stratifying Risk for Postpartum Depression at Time of Hospital Discharge
نویسندگان: Mark A. Clapp, Victor M. Castro, Pilar Verhaak, Thomas H. McCoy, Lydia L. Shook, Andrea G. Edlow, Roy H. Perlis
مرجع و مجله: American Journal of Psychiatry (2025)
شماره ثبت مقاله (PMCID / DOI): 10.1176/appi.ajp.20240381
لینک دسترسی مستقیم به مقاله علمی: https://www.sciencedaily.com/releases/2025/05/250519131029.htm
