متاآنالیزاخلاق، ایمنی و ریسکتشخیص و غربالگریشواهد قوی
Machine learning algorithms and their predictive accuracy for suicide and self-harm: Systematic review and meta-analysis
Spittal MJ, Guo XA, Kang L. و همکاران · PLOS Medicine · 2025 · حجم نمونه: ۵۳ مطالعه
🗓 تاریخ انتشار در روانای: ۳ مرداد ۱۴۰۵
🔗 مطالعهی مقالهی اصلی · DOI: 10.1371/journal.pmed.1004581
این مرور سیستماتیک و متاآنالیز، که در نشریهی معتبر PLOS Medicine منتشر شده، جامعترین جمعبندیِ شواهدِ موجود دربارهی دقتِ الگوریتمهای یادگیریِ ماشین در پیشبینیِ خودکشی و خودآزاری است.
یافتههای کلیدی
- بر پایهی ۵۳ مطالعه، حساسیتِ مدلها بین ۴۵٪ تا ۸۲٪ و ویژگیِ آنها بین ۹۱٪ تا ۹۵٪ متغیر بود.
- سطحِ زیرِ منحنیِ ROC (AUC) بین ۰٫۶۹ تا ۰٫۹۳ گزارش شد — یعنی عملکرد از متوسط تا بسیار خوب، بسته به نوع مطالعه و پیامد (خودکشی، خودآزاری، یا ترکیبی).
محدودیتها و نکات احتیاطی
- دامنهی وسیعِ حساسیت (۴۵ تا ۸۲٪) نگرانکننده است: در پایینترین حد، مدل بیش از نیمی از افرادِ واقعاً پرخطر را ممکن است نادیده بگیرد.
- ویژگیِ بالا اما حساسیتِ متغیر، ریسکِ منفیِ کاذب (نادیدهگرفتنِ فردِ در خطر) را در برخی مدلها بالا نگه میدارد — پیامدی که در سلامت روان بسیار حساس است.
چرا مهم است
پیشبینیِ خطرِ خودکشی یکی از حساسترین و پرمناقشهترین کاربردهای هوش مصنوعی در سلامت روان است. این متاآنالیز نشان میدهد فناوری امیدوارکننده است، اما هنوز بهاندازهای پایدار و دقیق نیست که بدونِ نظارتِ بالینیِ مستقیم به کار گرفته شود.