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.

SO136

محاكاة سيناريوهات لم تحدث بعد ببراعة: التنميط الظاهري الحاسوبي والتعلّم الآلي في التقييم التشخيصي لاضطرابات القلق

EXPERTLY SIMULATING SCENARIOS THAT HAVE HAPPENED YET: COMPUTATIONAL PHENOTYPING AND MACHINE LEARNING IN THE DIAGNOSTIC ASSESSMENT OF ANXIETY DISORDERS

يُظهر التنميط الظاهري الرقمي باستخدام الهواتف الذكية والمستشعرات القابلة للارتداء، عند دمجه مع نماذج التعلّم الآلي، دقة واعدة في الكشف عن أعراض القلق والتنبؤ بمسارها، لكنه يُكمّل تقييم الطبيب ولا يحلّ محلّه.

يتمثل الهدف في تقييم القيمة التشخيصية للتنميط الظاهري الرقمي المدعوم بالذكاء الاصطناعي والتعلّم الآلي (AI-ML)، بوصفه بديلًا للمقابلة السريرية التقليدية التي يجريها الطبيب بالاعتماد على الاسترجاع بأثر رجعي لدى المصابين باضطرابات القلق. شملت المراجعة المنهجية، التي أُجريت وفق إرشادات PRISMA، تجارب معشّاة مضبوطة ودراسات حالات وشواهد ودراسات مستقبلية تضم مرضى بعمر 14 عامًا فأكثر يعانون من اضطراب قلق أو أعراض قلق دون العتبة التشخيصية؛ وقورنت الأدوات التي تستخدم بيانات الهواتف الذكية والأجهزة القابلة للارتداء بالمقابلات السريرية التي يجريها الأطباء بوصفها المعيار الذهبي. حقق نموذج يُنمّط التغيرات في الوجه والكلام دقة بلغت 87% ومتوسط درجة F1 بلغ 96,6%، إذ ميّز بين الاكتئاب والقلق واللامبالاة استنادًا إلى الانحراف عن خط الأساس السلوكي للفرد، فيما تراوحت المساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC) للتنبؤ بالأعراض في بروتوكولات أخرى بين 0,65 و0,86. في الحالة الأولى المفصّلة في الملصق العلمي (Zainal وآخرون، 2025)، قارنت تجربة معشّاة مضبوطة شملت 191 شخصًا مصابًا باضطراب القلق الاجتماعي بين ممارسة اليقظة الذهنية لمدة 14 يومًا وتدخل وهمي قائم على المراقبة الذاتية؛ وحققت آلة المتجهات الداعمة (SVM)، التي زُوّدت ببيانات التقييم البيئي اللحظي (EMA) خمس مرات يوميًا، باستخدام التحقق المتقاطع المتداخل ذي الطيات العشر، قيم AUROC تراوحت بين 0,71 و0,72 بعد العلاج وبلغت 0,83 عند المتابعة بعد شهر، متفوقةً على الانحدار الخطي بفارق ذي دلالة إحصائية (P = 0,016)؛ وعلى الرغم من تشابه معدلات الهدأة الإجمالية (26,0% مقابل 26,3%)، حدّد التعلّم الآلي 8 عوامل تنبؤية عند خط الأساس. وفي الحالة الثانية (Watanabe وآخرون، 2023)، تنبأ الرصد السلبي بأجهزة قابلة للارتداء، مقترنًا بنموذج تعلّم عميق ذي ذاكرة طويلة قصيرة الأمد (LSTM) مكوّن من 27 طبقة، بالضيق النفسي في تجربة استمرت شهرًا وشملت 24 موظفًا يابانيًا؛ وبلغت الدقة التشخيصية المبلّغ عنها 76,3%، وبلغ معامل الارتباط بين الضيق النفسي المتنبأ به والفعلي r = 0,679 ‏(R2 = 0,463)، وانخفضت نسبة الضيق النفسي الشديد من 12,5% إلى 0,0% (P = 0,01)؛ وفي الدراسة نفسها، أظهرت بيانات المستشعرات زيادة قدرها +0,60 دقيقة يوميًا، بينما أظهرت التقارير الذاتية انخفاضًا بنسبة 34,4%، ما دفع إلى طرح أن تحيّز الاسترجاع قد جرى تجاوزه. من ناحية أخرى، لم تحقق بعض التطبيقات أي نجاح تنبؤي في توقّع تغيرات محددة في أعراض القلق انطلاقًا من البيانات الديموغرافية والسريرية عند خط الأساس. وخلاصة القول إن التنميط الظاهري الرقمي يمكن أن يقلل من تحيّزَي الاسترجاع بأثر رجعي والمرغوبية الاجتماعية المرتبطين بالمقاييس المعيارية، وأن يرصد التغيرات الانفعالية الدقيقة، لكنه يظل محدودًا بنوع البيانات التي تُجمع فقط، مثل الكلام وتعبيرات الوجه والحركة، ويؤدي دورًا مكمّلًا لتقييم الطبيب.

جميع ملخصات WCP 2026