استخدام الذكاء الاصطناعي للمساعدة في منع الانتحار

يمكن تحسين جهود منع الانتحار في المستقبل من خلال الذكاء الاصطناعي.
إن خسارة الأرواح أمر مدمر، لكن الخسائر في الأرواح بسبب الانتحار أمر محزن للغاية.
الانتحار هو السبب الرئيسي لوفيات الأستراليين الذين تتراوح أعمارهم بين 15 و44 عامًا، ويودي بحياة ما يقرب من تسعة أشخاص يوميًا. وفقًا لبعض التقديرات، تحدث محاولات الانتحار بمعدل يصل إلى 30 مرة أكثر من الوفيات.
“الانتحار له آثار كبيرة عندما يحدث. تقول كارين كوسوما ، الحاصلة على درجة الدكتوراه في جامعة نيو ساوث ويلز: “إنه يؤثر على العديد من الأشخاص وله عواقب بعيدة المدى على الأسرة والأصدقاء والمجتمعات”. مرشح في الطب النفسي في معهد بلاك دوج، الذي يحقق في منع الانتحار لدى المراهقين.
بحثت الأبحاث الحديثة التي أجرتها السيدة كوسوما ومجموعة من العلماء من معهد بلاك دوج ومركز أبحاث البيانات الضخمة في الصحة في الأدلة الداعمة لقدرة نماذج التعلم الآلي على التنبؤ بالسلوكيات والأفكار الانتحارية المحتملة. قاموا بتقييم فعالية 54 خوارزمية للتعلم الآلي تم إنشاؤها مسبقًا من قبل الباحثين للتنبؤ بالنتائج المرتبطة بالانتحار من التفكير والمحاولة والموت.
وجد التحليل التلوي، الذي نُشر في مجلة الأبحاث النفسية، أن نماذج التعلم الآلي تفوقت على نماذج التنبؤ بالمخاطر التقليدية في التنبؤ بالنتائج المرتبطة بالانتحار، والتي كان أداؤها تقليديًا ضعيفًا.
تقول السيدة كوسوما: “بشكل عام، تظهر النتائج أن هناك قاعدة أدلة أولية ولكنها مقنعة بأن التعلم الآلي يمكن استخدامه للتنبؤ بالنتائج المستقبلية المتعلقة بالانتحار بأداء جيد جدًا”.
نماذج تقييم مخاطر الانتحار التقليدية
من أجل منع وإدارة السلوكيات الانتحارية، من الضروري تحديد أولئك المعرضين لخطر الانتحار. ومع ذلك، فإن التنبؤ بالمخاطر يمثل تحديًا.
في أقسام الطوارئ (EDs)، غالبًا ما يستخدم الأطباء أدوات تقييم المخاطر، مثل الاستبيانات ومقاييس التصنيف، لتحديد المرضى المعرضين لخطر الانتحار بشكل كبير. ومع ذلك، تشير الدلائل إلى أنها غير فعالة في التحديد الدقيق لخطر الانتحار في الممارسة العملية.
تقول السيدة كوسوما: “في حين أن هناك بعض العوامل المشتركة التي تظهر أنها مرتبطة بمحاولات الانتحار، فإن شكل المخاطر بالنسبة لشخص ما قد يبدو مختلفًا تمامًا عن شخص آخر”. “لكن الانتحار معقد، مع وجود العديد من العوامل الديناميكية التي تجعل من الصعب تقييم ملف تعريف المخاطر باستخدام عملية التقييم هذه.”
وجد تحليل ما بعد الوفاة للأشخاص الذين ماتوا بالانتحار في كوينزلاند ، أنه من بين أولئك الذين تلقوا تقييمًا رسميًا لمخاطر الانتحار، تم تصنيف 75 بالمائة على أنهم منخفضون المخاطر، ولم يتم تصنيف أي منهم على أنه شديد الخطورة. وجدت الأبحاث السابقة التي فحصت الخمسين عامًا الماضية من نماذج التنبؤ الكمي لمخاطر الانتحار أنها كانت أفضل قليلاً من الصدفة في التنبؤ بمخاطر الانتحار في المستقبل.
“الانتحار سبب رئيسي لفقدان سنوات من العمر في أجزاء كثيرة من العالم، بما في ذلك أستراليا. لكن الطريقة التي يتم بها تقييم مخاطر الانتحار لم تتطور مؤخرًا، ولم نشهد انخفاضًا كبيرًا في الوفيات الناجمة عن الانتحار. تقول السيدة كوسوما: “في بعض السنوات، شهدنا زيادات.
على الرغم من نقص الأدلة لصالح تقييمات مخاطر الانتحار التقليدية، تظل إدارتها ممارسة قياسية في أماكن الرعاية الصحية لتحديد مستوى رعاية المريض ودعمه. أولئك الذين تم تحديدهم على أنهم معرضون لمخاطر عالية يتلقون عادةً أعلى مستوى من الرعاية، في حين أن أولئك الذين تم تحديدهم على أنهم منخفضون الخطورة يتم إخراجهم من المستشفى.
“باستخدام هذا النهج، للأسف، لا يتم تقديم التدخلات عالية المستوى للأشخاص الذين يحتاجون حقًا إلى المساعدة. لذا يجب علينا أن نتطلع إلى إصلاح العملية واستكشاف السبل التي يمكننا من خلالها تحسين الوقاية من الانتحار، “تقول السيدة كوسوما.
فحص انتحار التعلم الآلي
تقول السيدة كوسوما إن هناك حاجة لمزيد من الابتكار في علم الانتحار وإعادة تقييم النماذج القياسية للتنبؤ بمخاطر الانتحار. أدت الجهود المبذولة لتحسين التنبؤ بالمخاطر إلى بحثها باستخدام الذكاء الاصطناعي (AI) لتطوير خوارزميات مخاطر الانتحار.
تقول السيدة كوسوما: “إن امتلاك الذكاء الاصطناعي الذي يمكن أن يستوعب بيانات أكثر بكثير مما يمكن للطبيب أن يكون قادرًا على التعرف بشكل أفضل على الأنماط المرتبطة بمخاطر الانتحار”.
في دراسة التحليل التلوي، تفوقت نماذج التعلم الآلي على المعايير التي حددتها سابقًا نماذج التنبؤ بمخاطر الانتحار السريرية والنظرية والإحصائية التقليدية. لقد توقعوا بشكل صحيح 66 في المائة من الأشخاص الذين سيختبرون نتيجة الانتحار وتوقعوا بشكل صحيح 87 في المائة من الأشخاص الذين لن يواجهوا نتيجة الانتحار.
تقول السيدة كوسوما: “يمكن لنماذج التعلم الآلي أن تتنبأ بموت الانتحار بشكل جيد مقارنة بنماذج التنبؤ التقليدية ويمكن أن تصبح بديلاً فعالاً وفعالاً لتقييم المخاطر التقليدية”.
الافتراضات الصارمة للنماذج الإحصائية التقليدية لا تربط نماذج التعلم الآلي. بدلاً من ذلك، يمكن تطبيقها بمرونة على مجموعات البيانات الكبيرة لنمذجة العلاقات المعقدة بين العديد من عوامل الخطر والنتائج الانتحارية. يمكنهم أيضًا دمج مصادر البيانات المتجاوبة، بما في ذلك وسائل التواصل الاجتماعي، لتحديد قمم مخاطر الانتحار وأوقات الإبلاغ عندما تكون هناك حاجة ماسة للتدخلات.
تقول السيدة كوسوما: “بمرور الوقت، يمكن تكوين نماذج التعلم الآلي لتأخذ بيانات أكثر تعقيدًا وأكبر لتحديد الأنماط المرتبطة بمخاطر الانتحار بشكل أفضل”.
لا يزال استخدام خوارزميات التعلم الآلي للتنبؤ بالنتائج المتعلقة بالانتحار مجالًا بحثيًا ناشئًا، حيث تم نشر 80 بالمائة من الدراسات المحددة في السنوات الخمس الماضية. تقول السيدة كوسوما إن البحث المستقبلي سيساعد أيضًا في معالجة مخاطر تحيز التجميع الموجود في النماذج الحسابية حتى الآن.
تقول السيدة كوسوما: “من الضروري إجراء المزيد من الأبحاث لتحسين هذه الخوارزميات والتحقق من صحتها، والتي ستساعد بعد ذلك في تقدم تطبيق التعلم الآلي في علم الانتحار”. “بينما لا نزال بعيدين عن التنفيذ في بيئة سريرية، تشير الأبحاث إلى أن هذا وسيلة واعدة لتحسين دقة فحص مخاطر الانتحار في المستقبل.”
المصدر: scitechdaily
شاهد المزيد: