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.

EV1257

الذكاء الاصطناعي متعدد الوسائط في التنبؤ باضطراب سلوك نوم حركة العين السريعة المصاحب للاضطراب الاكتئابي الجسيم

MULTIMODAL AI FOR PREDICTING COMORBID REM SLEEP BEHAVIOR DISORDER IN MAJOR DEPRESSIVE DISORDER

يمكن لديناميكيات الوجه والصوت المستخلصة من مهام كلامية قصيرة مسجّلة بالهاتف الذكي تمييز اضطراب سلوك نوم حركة العين السريعة المصاحب للاضطراب الاكتئابي الجسيم، بمساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) تبلغ 0,829.

الهدف هو اختبار ما إذا كانت ديناميكيات الوجه والصوت المستخلصة من تسجيلات قصيرة بالهاتف الذكي قادرة على التمييز بين مرضى الاضطراب الاكتئابي الجسيم (major depressive disorder, MDD) المصحوب باضطراب سلوك نوم حركة العين السريعة (REM sleep behavior disorder, RBD)، المؤكَّد بتخطيط النوم المتعدد المصحوب بالفيديو (v-PSG)، ومرضى مطابقين لهم مشخصين بالاضطراب الاكتئابي الجسيم وحده، وما إذا كانت تتيح تحديد مؤشرات حيوية رقمية مرشحة قابلة للتفسير. استُخدم 261 مقطعًا، مدة كل منها 10 ثوانٍ، لدى 31 مشاركًا أُدرجوا في التحليل من أتراب سريرية تضم 329 شخصًا (19 مصابًا بـMDD مع RBD، و12 من أفراد المجموعة الضابطة المصابين بـMDD وحده)؛ وعالج المسار البصري سمات مدرجات التدرجات الموجَّهة (HOG) ووحدات حركة الوجه (action unit, AU) باستخدام sLSTM، فيما عالج المسار السمعي السمات الصوتية المستندة إلى OpenSMILE باستخدام الشبكة متعددة الطبقات (MLP). وأُنتج احتمال على مستوى المشارك باستخدام الدمج المتأخر (late fusion)، وأُجري تحقق متقاطع خماسي الطيات على مستوى المشاركين لمنع تسرّب بيانات المقاطع. حقق النموذج الكامل مساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) بلغت 0,829، ودقة قدرها 80,5%، وحساسية (استدعاء) قدرها 90,0%، ودرجة F1 بلغت 0,848، فيما بلغ متوسط النوعية المُبلَّغ عنه 63,3%. في التحليلات أحادية الوسيط، جاءت أقوى إشارة من الصوت (دقة 74,9% ودرجة F1 قدرها 0,696)؛ وبلغت القيم باستخدام HOG وحده 63,4% و0,594، وباستخدام وحدات حركة الوجه وحدها 70,2% و0,650، وبدمج وحدات الحركة مع الصوت 77,4% و0,738، وقد تحقق أفضل أداء باستخدام النموذج الكامل متعدد الوسائط. وُجد ارتباط دالّ إحصائيًا بين الاحتمال الذي تنبأ به النموذج لوجود RBD مصاحب ودرجة استبيان RBDQ ‏(r = 0,53, p = 0,005)، بينما اقتصر الارتباط بمقياس UPDRS على اتجاه نحو الدلالة الإحصائية (r = 0,34, p = 0,067)، ولم يُظهر ارتباطًا واضحًا بمقياسي BDI وHADS. وفي التحقق الخارجي المُجرى على أتراب من غوانغجو (n = 26)، تختلف من حيث المركز واللغة والجهاز والبروتوكول، حقق الصوت وحده دقة قدرها 77,7% ودرجة F1 قدرها 0,758، فيما حقق دمج HOG مع وحدات الحركة 69,3% و0,674. وفي تحليل SHAP، برز التوتر والتباين في الجزء السفلي من الوجه والمنطقة المحيطة بالفم (AU14, AU17, AU25, AU04)، إلى جانب مقاييس صوتية مثل استقرار طبقة الصوت، وسمات الجرس الصوتي المستخلصة من معاملات MFCC، ومدة المقاطع المجهورة وغير المجهورة، مع التأكيد على أن هذه النتائج تشير إلى مؤشرات حيوية مرشحة لا إلى آلية سببية. وخلاصة القول إن هذه الطريقة لا تهدف إلى أن تحل محل التشخيص، بل إلى إعطاء الأولوية للتقييم الموجَّه لاضطراب RBD لدى مرضى MDD؛ وتتمثل محدودياتها في صغر العينة وطبيعتها المقطعية، وغياب مجموعة مقارنة مصابة باضطرابات نوم أخرى، واستمرار تأثير العوامل المُربِكة الدوائية والسريرية.

جميع ملخصات WCP 2026