📰 منبع: Journal of Affective Disorders / PubMed — ۱۴ اوت ۲۰۲۶
یک مطالعهٔ تازه و داوریشده دربارهٔ پیشبینی اختلال دوقطبی در کودکان، پیام مهمی برای توسعهدهندگان هوش مصنوعی سلامت روان دارد: مدل پیچیدهتر لزوماً مدل قابلاعتمادتر نیست. پژوهشگران چند روش را از یک ابزار تصمیمگیری بالینی و رگرسیون لجستیک تا ماشین بردار پشتیبان، جنگل تصادفی، نزدیکترین همسایه، گرادیانبوست و یک شبکهٔ عصبی چندلایه مقایسه کردند. هدف این بود که ببینند مدل ساختهشده در یک محیط بالینی، هنگام انتقال به محیطی متفاوت چقدر عملکرد خود را حفظ میکند.
دادهها از دو نمونهٔ مستقل بالینی بهدست آمده بود: ۵۵۰ مراجعهکننده در یک مرکز دانشگاهی و ۵۱۱ مراجعهکننده در خدمات جامعهمحور. مدلها ابتدا در یک مجموعه آموزش دیدند و در مجموعهٔ دیگر آزموده شدند. سپس پژوهشگران افزودن برهمکنش میان متغیرها، بازکالیبراسیون احتمالها و آموزش با دادههای ادغامشدهٔ دو محیط را بررسی کردند. بیشتر مدلها در همان محیطی که دادههایش را دیده بودند تفکیک مناسبی نشان دادند، اما وقتی به محیط دیگر منتقل شدند، توان تفکیک و بهویژه دقت احتمالهای برآوردشده افت کرد.
افزودن پیچیدگی و برهمکنشها فقط بهبود محدودی در ارزیابی داخلی ایجاد کرد و مشکل عملکرد بیرونی را حل نکرد. در مقابل، بازکالیبراسیون توانست سازگاری احتمالهای پیشبینیشده را بهتر کند و آموزش بر دادههای ادغامشده، در نمونههای کنارگذاشتهشده از همان مجموعهٔ ناهمگون عملکرد باثباتتری داشت. در بیشتر روشها، امتیاز کوتاه PGBI-10M ــ یک مقیاس گزارش والدین دربارهٔ نشانههای مانیا ــ از مهمترین پیشبینها بود. جمعبندی نویسندگان این است که تنوع دادهٔ آموزشی ممکن است از افزایش پیچیدگی الگوریتم سود عملی بیشتری داشته باشد.
این یافته به معنای آمادهبودن یک ابزار تشخیص خودکار نیست. مطالعه یک مسئلهٔ طبقهبندی مشخص را در دو مجموعهٔ بالینی بررسی کرده و ارزیابی دادههای ادغامشده نیز جای آزمون در یک جمعیت کاملاً مستقل سوم را نمیگیرد. تشخیص دوقطبی کودکان بهدلیل همپوشانی نشانهها با اختلالات دیگر و تفاوت میان محیطهای درمانی دشوار است؛ بنابراین خروجی الگوریتم باید در کنار مصاحبه، تاریخچهٔ رشد، ارزیابی خانواده و قضاوت متخصص دیده شود، نه بهعنوان جایگزین آنها.
از دید کاربردی، مطالعه هشدار میدهد که رتبهٔ خوب یک مدل در دادههای آزمایشگاهی کافی نیست. پیش از ورود ابزارهای پیشبینی به خدمات واقعی، باید ترکیب جمعیت، شیوهٔ ارجاع، کیفیت اندازهگیری، کالیبراسیون و افت عملکرد میان مراکز بهطور شفاف گزارش شود. سرمایهگذاری روی مجموعهدادههای باز، مشارکتی و نمایندهٔ محیطهای گوناگون ممکن است برای هوش مصنوعی روانپزشکی مهمتر از رقابت بر سر معماریهای پیچیدهتر باشد.
این خبر بخشی از بخش اخبار روانای است و خلاصهای آزاد از منبع ذکرشده است، نه یک تحلیل تخصصی. این محتوا جایگزین مشاوره، تشخیص یا ارزیابی حرفهای نیست.
