یک برنامه کامپیوتری که افراد مستعد افسردگی را شناسایی می کند
پژوهشگران سنگاپوری یک برنامه کامپیوتری ابداع نموده اند که می تواند افراد مستعد مبتلاشدن به افسردگی را شناسایی کند.
به گزارش فیکس سرور به نقل از ایسنا و به نقل از نیوز مدیکال نت، گروهی از دانشمندان "دانشگاه صنعتی نانیانگ"(NTU) در سنگاپور، یک برنامه کامپیوتری ابداع نموده اند که می تواند پیش بینی نماید چه افرادی در معرض خطر مبتلاشدن به افسردگی قرار دارند.
در آزمایش هایی که با بهره گیری از داده های مربوط به شرکت کنندگان افسرده و سالم صورت گرفت، این برنامه توانست افرادی را که در معرض خطر افسردگی قرار داشتند و افراد بدون خطر را با دقت ۸۰ درصد شناسایی کند.
این برنامه که "Ycogni" نام دارد، خطر افسردگی را با بهره گیری از یادگیری ماشینی و با تجزیه و تحلیل فعالیت بدنی، الگوهای خواب و داده های دستگاه های پوشیدنی که قدم ها، ضربان قلب و مصرف انرژی کاربر را اندازه گیری می کنند، مورد بررسی قرار می دهد.
بگفته سازمان بهداشت جهانی، افسردگی ۲۶۴ میلیون نفر را در سراسر جهان تحت تاثیر قرار می دهد و در نیمی از موارد تشخیص داده نشده و درمان نشده است. همه گیری کووید-۱۹ در سنگاپور، به افزایش نگرانی در مورد رفاه روانی منجر گردیده است. بررسی جدید موسسه سلامت روان سنگاپور، افزایش احتمالی مشکلات مربوط به سلامت روان، همچون افسردگی در رابطه با این بیماری همه گیر را نشان میدهد.
تخمین زده می شود که حدودا یک میلیارد نفر از ردیاب های فعالیت استفاده می نمایند که از ۷۲۲ میلیون نفر در سال ۲۰۱۹ تا حالا بالا رفته است.
دانشمندان برای توسعه مدل Ycogni، یک بررسی را روی ۲۹۰ بزرگسال شاغل در سنگاپور انجام دادند. شرکت کنندگان به مدت ۱۴ روز متوالی از دستگاه های "Fitbit Charge 2" استفاده کردند و دو نظرسنجی سلامت را تکمیل کردند که نشانه های افسردگی را در شروع و اختتام بررسی مورد ارزیابی قرار می دادند.
میانگین سنی شرکت کنندگان ۳۳ سال بود که جمعیت قومی سنگاپور را منعکس می کرد. به شرکت کنندگان فرمان داده شد که همیشه از ردیاب استفاده کنند و فقط هنگام دوش گرفتن یا زمانی که دستگاه به شارژ نیاز دارد، آنها را بردارند.
پروفسور "جوسیپ کار"(Josip Car)، مدیر مرکز علوم سلامت جمعیت در دانشگاه صنعتی نانیانگ و سرپرست این پژوهش اظهار داشت: پژوهش ما با موفقیت نشان داد که می توانیم داده های سنسور ابزارهای پوشیدنی را به کار بگیریم تا خطر مبتلاشدن به افسردگی را در افراد تشخیص دهیم. با بهره گیری از برنامه یادگیری ماشینی ما و همین طور افزایش محبوبیت دستگاه های پوشیدنی، شاید روزی بتوان افسردگی را بموقع و بدون مشکل تشخیص داد.
"جورجیوس کریستوپولوس"(Georgios Christopoulos)، دانشیار دانشکده تجارت دانشگاه صنعتی نانیانگ و از پژوهشگران این پروژه اظهار داشت: ما امیدواریم که این پژوهش بتواند پایه ای جهت استفاده از فناوری های پوشیدنی در کمک به افراد، متخصصان سلامت روان و سیاستگذاران باشد و رفاه روانی را بهبود ببخشد. ما باور داریم که در یک برنامه عمومی تر و آینده نگر، شاید بتوان چنین سیگنال هایی را با ساختمان های هوشمند یا حتی طرح های مربوط به شهرهای هوشمند ادغام کرد. یک بیمارستان یا یک واحد نظامی را تصور کنید که بتواند از این سیگنال ها برای شناسایی افراد در معرض خطر استفاده نماید.
نشانه های حیاتی در رابطه با افسردگی
پژوهشگران در این پروژه، علاوه بر این که توانستند دقیقا تعیین کنند که آیا شرکت کنندگان در معرض خطر مبتلاشدن به افسردگی هستند یا خیر، الگوهای خاص رفتار شرکت کنندگان را با نشانه های افسردگی مرتبط کردند که احساس درماندگی و ناامیدی، از دست دادن علاقه به کارهای روزانه و تغییر در اشتها یا وزن را شامل می شد.
دانشمندان از تجزیه و تحلیل یافته های خود دریافتند افرادی که ضربان قلب متفاوت تری را بین ساعت دو تا چهار بامداد و بین چهار تا شش بامداد داشتند، مستعد مبتلاشدن به نشانه های شدیدتر افسردگی بودند. این مشاهدات، یافته های پژوهش های پیشین را تأیید می کند که نشان داده بودند تغییر ضربان قلب طی خواب ممکنست یک نشانگر فیزیولوژیکی معتبر برای افسردگی باشد.
همین طور این پژوهش، الگوهای خوابی که کمتر منظم هستند مانند زمان های متفاوت بیدار شدن و خواب را با نشانه های افسردگی مرتبط دانست.
دانشمندان توضیح دادند که بااینکه الگوهای منظم روزهای هفته عمدتاً طبق روال کار تعیین می شود اما توانایی پیروی از این روال، تمایز بهتری را بین افراد افسرده و سالم به وجود می آورد. افراد سالم این پژوهش، نظم بیشتری را در زمان بیدار شدن و خوابیدن داشتند.
پروفسور کار اضافه کرد: ما مشتاقانه منتظریم تا پژوهش خودرا گسترش دهیم تا سایر نشانه های حیاتی در تشخیص خطر افسردگی مانند دمای پوست را نیز شامل شود. تنظیم دقیق برنامه ما می تواند تشخیص زودهنگام، مستمر و مقرون به صرفه افسردگی در جمعیت عمومی را آسان تر کند.
پروفسور کریستوپولوس افزود: گروه ما روی سایر انواع بیماریهای روانی مانند خستگی روانی کار خواهدنمود که بنظر می رسد هم اکنون، یک مشکل هشداردهنده است. فناوری های پوشیدنی می توانند قسمتی از سیستم بازخوردی باشند که از درمانگران برای ارزیابی بهتر وضعیت روانی بیماران آنها حمایت می کند. بعنوان نمونه می توان به بهبود کیفیت خواب اشاره نمود.
این پژوهش، در مجله "JMIR Mhealth Uhealth" به چاپ رسید.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب