تُرجمت هذه الصفحة تلقائيًا من اللغة التركية. اقرأ النص الأصلي

هذه الصفحة ملخص باللغة التركية أُعدّ بمساعدة الذكاء الاصطناعي لدراسة قُدّمت في المؤتمر العالمي السادس والعشرين للطب النفسي. تعود ملكية الدراسة إلى المؤلفين الذين قدّموها؛ وللاستشهاد بها، يُرجى الرجوع إلى المصدر الأصلي.

EV0472

ملصق إلكترونيالطب النفسي الرقمي والذكاء الاصطناعيدراسة أترابية استعادية، نموذج تنبؤ قائم على التعلم الآلي

التعلّم الآلي المتحقَّق من صلاحيته زمنيًا للتنبؤ بمدة الإقامة وإعادة الإدخال لدى المرضى المنوَّمين في الطب النفسي: أدلة من بيئة منخفضة ومتوسطة الدخل

TEMPORALLY VALIDATED MACHINE LEARNING FOR PREDICTING LENGTH OF STAY AND READMISSION IN PSYCHIATRIC INPATIENTS : EVIDENCE FROM A LOW AND MIDDLE-INCOME SETTING

مقدّم العرض: Sayan Bandyopadhyay

البلد: India

يمكن التنبؤ بكلتا النتيجتين بمستوى يفوق المصادفة باستخدام البيانات المنظَّمة المتاحة يوم الإدخال، إلا أن القدرة التمييزية تظل محدودة، وتبقى المعايرة العامل الأساسي الذي يحدد قابلية الاستخدام السريري.

تهدف الدراسة إلى تقديم مسار للتنبؤ متحقَّق من صلاحيته زمنيًا في بيئة منخفضة ومتوسطة الدخل، لسد فجوة تتمثل في أن نماذج التنبؤ في الطب النفسي خضعت للتحقق من صلاحيتها بصورة شبه حصرية باستخدام السجلات الصحية الإلكترونية في البلدان مرتفعة الدخل، وباستخدام تقسيمات عشوائية تسمح للنماذج بالتعلّم من بيانات مرضى لاحقين زمنيًا. ومن حيث المنهجية، جرت مراجعة استعادية لـ3.140 حالة إدخال متتالية إلى وحدة للطب النفسي للرعاية من المستوى الثالث في جنوب الهند، بين يونيو 2016 ومارس 2026؛ واستُخرجت المتغيرات حصريًا من الحقول المنظَّمة في السجلات الورقية، دون استخدام معالجة اللغة الطبيعية أو دمج السجلات الإلكترونية. بلغ متوسط العمر 35,1 ± 11,5 سنة، ونسبة الذكور 61,8%، ونسبة الفصام 31,3%، ونسبة التشخيصات المرتبطة بالمواد 23,9%، ونسبة المراجعات الطارئة 84,8%، ونسبة الإدخال غير الطوعي 43,1%. وبلغ وسيط مدة الإقامة (length of stay, LOS) 9 أيام (المدى الربيعي من 5 إلى 14)، ونسبة الإقامة المطوَّلة 27,3%، ونسبة إعادة الإدخال خلال 30 يومًا 5,1%. استُخدمت في التقسيم الزمني مجموعة تدريب تضم بيانات ما قبل عام 2024 (مدة الإقامة n=1.667؛ إعادة الإدخال n=1.716)، ومجموعة اختبار منفصلة تضم بيانات عام 2024 وما بعده (مدة الإقامة n=812؛ إعادة الإدخال n=827). وفي التحقق المتقاطع ضمن مجموعة التدريب، طُبِّق GroupKFold بخمس طيات، مع التجميع بحسب رقم المريض لمنع توزيع حالات إدخال المريض نفسه على أقسام مختلفة؛ وجرت مواءمة المعلمات الفائقة لخمسة نماذج (الانحدار اللوجستي بتنظيم Elastic Net، وRandom Forest، وXGBoost، وLightGBM، وتجميع النماذج بالتكديس) باستخدام Optuna عبر 40 تجربة. وحُسبت فواصل الثقة بنسبة 95% باستخدام إعادة المعاينة التمهيدية (bootstrap) بـ1.000 عينة، واستُخدم SHAP لتفسير تنبؤات النماذج. بالنسبة إلى الإقامة المطوَّلة (14 يومًا فأكثر، وفي مجموعة الاختبار n=812، بنسبة 28,2%)، حقق Random Forest أفضل مساحة تحت المنحنى (area under the curve, AUC)، وبلغت 0,637 (من 0,593 إلى 0,679)، وبلغت أفضل مساحة تحت منحنى الدقة والاستدعاء (AUPRC) مقدار 0,384 (نحو 0,282 للنموذج الصفري)، بينما حقق تجميع النماذج بالتكديس أفضل درجة Brier، وبلغت 0,196 (مقابل 0,259 إلى 0,268 في النماذج الأخرى). وبالنسبة إلى إعادة الإدخال خلال ثلاثين يومًا (في مجموعة الاختبار n=827، بنسبة 5,2%؛ 43 حدثًا)، حقق الانحدار اللوجستي بتنظيم Elastic Net أفضل AUC، وبلغت 0,638 (من 0,544 إلى 0,724)، وبلغت أفضل AUPRC مقدار 0,091 (نحو 0,052 للنموذج الصفري)، بينما حقق التكديس مجددًا أفضل درجة Brier، وبلغت 0,049 (مقابل 0,059 إلى 0,206 في النماذج الأخرى). وفي تحليل SHAP، كانت أبرز المتنبئات بالإقامة المطوَّلة هي العمر (0,227)، ودرجة خطر الانتحار (0,207)، وحالات الإدخال السابقة (0,186)؛ أما أبرز المتنبئات بإعادة الإدخال فكانت كون المريض حالة سابقة معروفة لدى الخدمة (0,630)، ومدة المرض (0,316)، والأفكار الانتحارية (0,291). ويؤكد المؤلفون أن التكديس لم يحقق أعلى AUC لأيٍّ من النتيجتين، لكنه سجل أفضل درجة Brier لكلتيهما؛ أي إنه حوَّل مخرجات ترتيب المخاطر إلى احتمالات مُعايَرة دون بيانات إضافية، وهو ما تتطلبه القرارات السريرية القائمة على العتبات. وتشمل القيود إجراء الدراسة في مركز واحد وبلد واحد، والاقتصار على الحقول المنظَّمة (مع استبعاد الملاحظات النصية الحرة وسجلات الأدوية والتاريخ الاجتماعي)، والطابع الأولي لنتائج إعادة الإدخال لأن نسبة الأحداث إلى المتغيرات بلغت نحو 3,95 (87 حدثًا في مجموعة التدريب)، وهي أدنى من الحد الأدنى الموصى به البالغ 10، إضافة إلى غياب التحقق الاستباقي من الصلاحية.

الانتقال إلى الملصق الأصلي

كيف يُستشهد بهذه الدراسة؟

APA 7: Bandyopadhyay, S., & Chandrasekaran, V. (2026, September 23-26). Temporally validated machine learning for predicting length of stay and readmission in psychiatric inpatients : evidence from a low and middle-income setting [E-poster]. 26th WPA World Congress of Psychiatry (WCP 2026), Stockholm, Sweden. https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/982

Vancouver: Bandyopadhyay S, Chandrasekaran V. Temporally validated machine learning for predicting length of stay and readmission in psychiatric inpatients : evidence from a low and middle-income setting [e-poster]. 26th WPA World Congress of Psychiatry (WCP 2026); 2026 Sep 23-26; Stockholm, Sweden. Available from: https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/982

أُنشئت أسماء المؤلفين وصيغة العنوان تلقائيًا من نظام المؤتمر؛ يُرجى مقارنتها بالملصق الأصلي قبل استخدامها.

جميع ملخصات WCP 2026

Sitenin son güncellemesi: 8 Kasım 2026 · Site editörü: Doç. Dr. Alişan Burak Yaşar, info@alisanburak.com