استفاده از هوش‌مصنوعی برای کمک به جلوگیری از خودکشی

منتشر شده در scitechdaily به تاریخ ۲ نوامبر، ۲۰۲۲
لینک منبع: Using Artificial Intelligence To Help Prevent Suicide

تلاش‌های پیش‌گیری از خودکشی در آینده می‌تواند با استفاده از هوش‌مصنوعی بهبود یابد.

از دست رفتن هر گونه زندگی مخرب است، اما از دست دادن زندگی ناشی از خودکشی فوق‌العاده ناراحت‌کننده است.

خودکشی دلیل اصلی مرگ‌ومیر برای استرالیایی‌ها در سنین ۱۵ تا ۴۴ سال است و روزانه جان تقریبا ۹ نفر را می‌گیرد. براساس برخی برآوردها، خودکشی تا ۳۰ برابر بیشتر از مرگ‌ومیر رخ می‌دهد.

او گفت: زمانی که خودکشی اتفاق می‌افتد، اثرات زیادی دارد. کارن کوسوما، دانشجوی دکترای روان‌پزشکی دانشگاه New South Wales در موسسه Black Dog، که در مورد پیش‌گیری از خودکشی در نوجوانان تحقیق می‌کند، می‌گوید: «این مساله بر بسیاری از مردم تاثیر می‌گذارد و عواقب گسترده‌ای برای خانواده، دوستان و جوامع دارد.»

تحقیقات اخیر انجام‌شده توسط خانم کوزوما و گروهی از دانشمندان موسسه Black Dog و مرکز تحقیقات کلان داده در بهداشت، شواهدی را که از توانایی مدل‌های یادگیری ماشینی برای پیش‌بینی رفتارها و افکار خودکشی بالقوه پشتیبانی می‌کرد، بررسی کردند. آن‌ها کارآیی ۵۴ الگوریتم یادگیری ماشینی را که قبلاً توسط محققان برای پیش‌بینی پیامدهای مربوط به خودکشی از قبیل فکر، تلاش و مرگ ایجاد شده بود، ارزیابی کردند.

این فراتحلیل، که در مجله تحقیقات روان‌پزشکی منتشر شد، دریافت که مدل‌های یادگیری ماشینی در پیش‌بینی نتایج مرتبط با خودکشی، که به‌طور سنتی عملکرد ضعیفی داشتند، بهتر از مدل‌های پیش‌بینی ریسک معمولی عمل می‌کنند.

خانم کوزوما می‌گوید: «به‌طور کلی، یافته‌ها نشان می‌دهند که یک مبنای شواهد اولیه اما قانع‌کننده وجود دارد مبنی‌بر اینکه یادگیری ماشینی می‌تواند برای پیش‌بینی نتایج مرتبط با خودکشی آینده با عملکرد بسیار خوب مورد استفاده قرار گیرد.»

مدل‌های سنتی ارزیابی خطر خودکشی

به‌منظور جلوگیری و مدیریت رفتارهای خودکشی، شناسایی کسانی که در معرض خطر خودکشی هستند، بسیار مهم است. با این حال، پیش‌بینی ریسک چالش‌برانگیز است.

در بخش‌های اورژانس (EDs)، پزشکان اغلب از ابزارهای ارزیابی خطر، مانند پرسش‌نامه و مقیاس‌های درجه‌بندی، برای اشاره به بیمارانی که در معرض خطر بالای خودکشی هستند، استفاده می‌کنند. با این حال، شواهد نشان می‌دهد که آن‌ها در تعیین دقیق خطر خودکشی در عمل ناموثر هستند.

خانم کوزوما می‌گوید: «در حالی که برخی عوامل مشترک نشان‌داده شده‌است که با اقدام به خودکشی مرتبط هستند، خطرات برای یک فرد ممکن است در فرد دیگر بسیار متفاوت به نظر برسد.» «اما خودکشی پیچیده است، با بسیاری از عوامل پویا که ارزیابی پروفایل خطر را با استفاده از این فرآیند ارزیابی دشوار می‌سازد.»

تجزیه‌وتحلیل پس از مرگ افرادی که در اثر خودکشی در Queensland کشته شدند، نشان داد که ۷۵ درصد افرادی که به‌طور رسمی اقدام به خودکشی کرده بودند، در دسته افراد کم‌خطر قرار گرفتند و هیچ یک از آن‌ها در دسته افراد پرخطر قرار نگرفتند. تحقیقات قبلی که ۵۰ سال گذشته مدل‌های پیش‌بینی ریسک خودکشی کمی را بررسی کردند نیز دریافتند که آن‌ها تنها اندکی بهتر از شانس در پیش‌بینی ریسک خودکشی در آینده بودند.

او گفت: خودکشی یکی از دلایل اصلی سال‌های از دست رفته زندگی در بسیاری از بخش‌های جهان از جمله استرالیا است. اما شیوه ارزیابی خطر خودکشی اخیرا توسعه پیدا نکرده‌است و ما کاهش قابل‌توجهی در مرگ‌ومیر خودکشی ندیده‌ایم. خانم کوسوما می‌گوید: «در برخی سال‌ها شاهد افزایش بودیم.»

علی‌رغم کمبود شواهد به نفع ارزیابی‌های سنتی ریسک خودکشی، مدیریت آن‌ها همچنان یک عمل استاندارد در زمینه مراقبت‌های بهداشتی است تا سطح مراقبت و پشتیبانی بیمار را تعیین کند. آن‌هایی که ریسک بالایی دارند، معمولا بالاترین سطح مراقبت را دریافت می‌کنند، در حالی که آن‌هایی که ریسک پایینی دارند، ترخیص می‌شوند.

متاسفانه، با استفاده از این رویکرد، مداخلات سطح بالا به افرادی که واقعا به کمک نیاز دارند، داده نمی‌شود. خانم کوزوما می‌گوید: «بنابراین باید به دنبال اصلاح این روند و کشف راه‌هایی باشیم که بتوانیم پیش‌گیری از خودکشی را بهبود بخشیم.»

غربالگری خودکشی یادگیری ماشینی

خانم کوزوما می‌گوید نیاز به نوآوری بیشتر در زمینه خودکشی و ارزیابی مجدد مدل‌های استاندارد پیش‌بینی خطر خودکشی وجود دارد. تلاش‌ها برای بهبود پیش‌بینی خطر منجر به تحقیق او با استفاده از هوش مصنوعی (AI) برای توسعه الگوریتم های خطر خودکشی شده‌است.

خانم کوزوما می‌گوید: « داشتن هوش مصنوعی که بتواند داده‌های بسیار بیشتری نسبت به یک متخصص بالینی بگیرد، می‌تواند تشخیص بهتری از این که کدام الگوها با خطر خودکشی در ارتباط هستند، داشته باشد.»

در مطالعه فراتحلیلی، مدل‌های یادگیری ماشینی از معیار‌هایی که قبلا توسط مدل‌های پیش‌بینی ریسک خودکشی بالینی، نظری و آماری تعیین شده‌بودند، بهتر عمل کردند. آن‌ها ۶۶ درصد افرادی را که نتیجه خودکشی را تجربه می‌کنند و ۸۷ درصد افرادی را که نتیجه خودکشی را تجربه نمی‌کنند به درستی پیش‌بینی کردند.

خانم کوسوما می‌گوید: «مدل‌های یادگیری ماشینی می‌توانند مرگ‌ومیر خودکشی را به خوبی نسبت به مدل‌های پیش‌بینی سنتی پیش‌بینی کنند و می‌توانند به یک جایگزین کارآمد و موثر برای ارزیابی‌های ریسک معمولی تبدیل شوند.»

فرضیات دقیق مدل‌های آماری سنتی، مدل‌های یادگیری ماشینی را مقید نمی‌کنند. در عوض، می‌توان آن‌ها را به صورت انعطاف‌پذیر در مجموعه داده‌های بزرگ به کار برد تا روابط پیچیده بین بسیاری از عوامل خطر و نتایج خودکشی را مدل‌سازی کند. آن‌ها هم‌چنین می‌توانند منابع داده واکنش‌پذیر، از جمله رسانه‌های اجتماعی، را برای شناسایی ااوج خطر خودکشی و زمان‌هایی که مداخلات بیشتر مورد نیاز است، ترکیب کنند.

خانم کوسوما می‌گوید: «با گذشت زمان، مدل‌های یادگیری ماشینی را می‌توان طوری تنظیم کرد که داده‌های پیچیده‌تر و بزرگ‌تری را در اختیار بگیرد تا الگوهای مرتبط با خطر خودکشی را بهتر شناسایی کند.»

استفاده از الگوریتم‌های یادگیری ماشینی برای پیش‌بینی نتایج مرتبط با خودکشی هنوز یک حوزه تحقیقاتی در حال ظهور است، با ۸۰ درصد از مطالعات شناسایی‌شده که در پنج سال گذشته منتشر شده‌اند. خانم کوزوما می‌گوید که تحقیقات آینده هم‌چنین به پرداختن به ریسک تعصب تجمع‌یافته در مدل‌های الگوریتمی تا به امروز کمک خواهد کرد.

خانم کوسوما می‌گوید: «تحقیقات بیشتری برای بهبود و اعتبارسنجی این الگوریتم‌ها ضروری است، که به پیشرفت کاربرد یادگیری ماشینی در علم خودکشی کمک خواهد کرد.» «در حالی که ما هنوز از یک محیط بالینی فاصله داریم، تحقیقات نشان می‌دهد که این یک راه امیدوارکننده برای بهبود دقت غربالگری خطر خودکشی در آینده است.»

این متن با استفاده از ربات ‌ترجمه مقالات هوش‌مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.