یک مطالعهٔ تازه در نشریهٔ Alcohol: Clinical and Experimental Research نشان داده است که یک مدل «هوش مصنوعی توضیحپذیر» توانسته وجود اختلال مصرف الکل در طول عمر را در دادههای UK Biobank با عملکرد نسبتاً خوب طبقهبندی کند. مقاله ۷ سپتامبر ۲۰۲۶ بهصورت آنلاین منتشر شده و بهجای جستوجوی یک نشانگر واحد، صدها عامل زیستی، روانشناختی و اجتماعی را همزمان بررسی کرده است.
مؤلفهٔ هوش مصنوعی در این پژوهش مرکزی است: پژوهشگران از ماشینهای تقویت گرادیانی، نوعی الگوریتم یادگیری ماشین برای مدلکردن روابط غیرخطی، استفاده کردند. سپس با روشهای هوش مصنوعی توضیحپذیر بررسی کردند هر ویژگی چه سهمی در خروجی مدل دارد و تعامل میان ویژگیها چگونه طبقهبندی را تغییر میدهد. ارتباط مطالعه با سلامت روان نیز مستقیم است، زیرا پیامد اصلی آن اختلال مصرف الکل بود؛ اختلالی روانپزشکی که تشخیص و فهم عوامل همراه آن به ارزیابی بالینی وابسته است.
مدل با دادههای ۱۲٬۱۷۸ نفر و ۴۴۰ ویژگی در پنج حوزه ساخته شد: اطلاعات جمعیتشناختی، وضعیت اجتماعیاقتصادی، شاخصهای سلامت روانِ غیرمرتبط با مصرف مواد، سابقهٔ مصرف مواد دیگر و ۳۴۲ ویژگی زیستی شامل دادههای مغزی و ژنتیکی. در مجموعهٔ آزمون مستقل از آموزش با ۶٬۰۸۹ نفر، مدل برای طبقهبندی سابقهٔ اختلال مصرف الکل به AUC برابر با ۰٫۸۰ رسید. AUC توان مدل برای جداکردن دو گروه را نشان میدهد، اما بهتنهایی به معنی آمادگی برای تشخیص بالینی نیست.
تحلیل توضیحپذیری نشان داد سن، جنس و درآمد، سابقهٔ مصرف سیگار یا کانابیس و برخی پاسخهای پرسشنامهای سلامت روان—بهویژه انزوای اجتماعی—از اطلاعات اثرگذارتر بودند. مدل غیرخطی از مدل خطی بهتر عمل کرد و تعاملهایی میان متغیرها، از جمله تفاوت الگوها بر حسب درآمد و جنس، پیدا شد. در مقابل، افزودن تدریجی دادههای تصویربرداری مغزی و ژنتیکی فقط حدود صفر تا دو درصد به عملکرد کلی افزود؛ یافتهای که ارزش احتمالی دادههای زیستی را رد نمیکند، اما نشان میدهد دادههای پرهزینه الزاماً جهش بزرگی در طبقهبندی ایجاد نکردهاند.
این نتیجه باید محتاطانه خوانده شود. مدل «سابقهٔ طول عمر» اختلال را طبقهبندی کرده، نه شدت کنونی، خطر آینده یا پاسخ به درمان را. دادههای UK Biobank نیز لزوماً نمایندهٔ همهٔ جمعیتها نیستند. افزون بر این، مهمبودن یک ویژگی در مدل رابطهٔ علّی را ثابت نمیکند و استفاده از متغیرهایی مانند جنس و درآمد پیش از کاربرد واقعی به ارزیابی عدالت، کالیبراسیون و اعتبارسنجی بیرونی نیاز دارد. بنابراین خبر اصلی، معرفی یک ابزار تشخیصی آماده نیست؛ بلکه نشان میدهد ترکیب دادههای چندوجهی با هوش مصنوعی توضیحپذیر میتواند تصویر دقیقتری از الگوهای همراه اختلال مصرف الکل بسازد.
منبع: Hatoum و همکاران، Alcohol: Clinical and Experimental Research، ۷ سپتامبر ۲۰۲۶؛ DOI: 10.1111/acer.70364 و رکورد PubMed.
