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.

EV1310

نهج للتعلم الآلي القابل للتفسير للتنبؤ بالأفكار الانتحارية لدى طلاب الجامعات: مشروع SMS-ME

AN EXPLAINABLE MACHINE LEARNING APPROACH TO PREDICT SUICIDAL THOUGHTS IN UNIVERSITY STUDENTS. THE SMS-ME PROJECT.

تنبأ نموذج XGBoost القابل للتفسير بالأفكار الانتحارية لدى طلاب التخصصات الصحية في العينات الداخلية والخارجية، بمساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) تراوحت بين 0,72 و0,81، وكانت أقوى العوامل المنبئة هي الاكتئاب والضغط النفسي والقلق ونوبات القيء.

الهدف هو تطوير نموذج للتعلم الآلي القابل للتفسير (machine learning, ML)، يمكن تفسيره سريريًا وتعميمه، للكشف عن الأفكار الانتحارية لدى طلاب الجامعات في صقلية، من خلال دمج العوامل المنبئة الأكاديمية والنفسية والسلوكية. أُجري استبيان إلكتروني مجهول الهوية بين سبتمبر 2022 ويونيو 2024، شمل الطلاب المسجلين في برامج الطب والتمريض وعلم النفس وطب الأسنان وغيرها من التخصصات الصحية في جامعات صقلية؛ وجُمعت المعلومات الاجتماعية والديموغرافية والأكاديمية، وبيانات مقياسي DASS-21 وEAT-26، والأفكار الانتحارية خلال الأشهر الستة السابقة. استُخدم نموذج XGBoost للتنبؤ بالأفكار الانتحارية، وتكوّنت مجموعة التدريب من طلاب الطب والتمريض، فيما تكوّنت مجموعة التحقق الخارجي من طلاب البرامج الأخرى؛ وعُوّضت البيانات المفقودة باستخدام خوارزمية أقرب الجيران KNN، وعولج عدم توازن الفئات باستخدام BorderlineSMOTE، وقُيّم الأداء بالتحقق المتقاطع المتداخل (nested cross-validation)، استنادًا إلى المساحة تحت منحنى خصائص تشغيل المستقبِل (AUC-ROC)، والدقة، والحساسية، والنوعية، ودرجة F1، وطُبّق تحليل SHAP (SHapley Additive exPlanations) لتفسير النموذج. شملت الدراسة إجمالًا 3.278 طالبًا من التخصصات الصحية (69,5 في المئة منهم إناث؛ ومتوسط العمر 22,7 ± 4,3 سنة)، وأفاد 26,2 في المئة من إجمالي المشاركين بوجود أفكار انتحارية أو محاولة انتحار خلال الأشهر الستة السابقة. وأُبلغ عن أعراض شديدة أو شديدة جدًا للاكتئاب بنسبة 34,8 في المئة، وللقلق بنسبة 52,6 في المئة، وللضغط النفسي بنسبة 37,1 في المئة، وكان 14,2 في المئة من الطلاب معرّضين لخطر اضطرابات الأكل. أظهر نموذج XGBoost أداءً تنبؤيًا جيدًا في العينات الداخلية والخارجية، بمساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) تراوحت بين 0,72 و0,81؛ وحدّد تحليل SHAP الاكتئاب والضغط النفسي والقلق ونوبات القيء بوصفها أكثر العوامل المنبئة تأثيرًا. وخلاصة القول إن الذكاء الاصطناعي القابل للتفسير يمكن أن يكمّل اتخاذ القرار السريري، من خلال توفير تقييم شفاف وقابل للتفسير للمخاطر، بما يدعم الكشف المبكر والوقاية الموجّهة في البيئة الجامعية؛ وتُبرز العوامل المنبئة الخاصة بالبيئة الجامعية، والمتعلقة بالأداء الأكاديمي وسلوك الأكل، تأثير الضغوط الأكاديمية والمخاوف المتعلقة بصورة الجسد.

جميع ملخصات WCP 2026