यह पृष्ठ तुर्की से स्वचालित रूप से अनुवादित किया गया है। मूल पढ़ें

यह पृष्ठ 26वीं विश्व मनोरोग कांग्रेस में प्रस्तुत अध्ययन का कृत्रिम बुद्धिमत्ता की सहायता से तैयार किया गया तुर्की सारांश है। अध्ययन का स्वामित्व इसे प्रस्तुत करने वाले लेखकों के पास है; उद्धरण के लिए मूल स्रोत देखें।

EV0446

ई-पोस्टरडिजिटल मनोचिकित्सा और कृत्रिम बुद्धिमत्तामशीन लर्निंग मॉडलिंग अध्ययन (द्वितीयक डेटा विश्लेषण)

एक ही निदान, अलग-अलग देखभाल: व्यक्तिगत भिन्नताओं के अनुरूप अवसाद की देखभाल के मार्गों का वैयक्तिकरण

SAME DIAGNOSIS, DIFFERENT CARE: PERSONALIZING DEPRESSION CARE PATHWAYS TO REFLECT INDIVIDUAL DIFFERENCES

प्रस्तुतकर्ता: Ahisha Ravi

देश: United States of America

संस्थान: University of Pittsburgh

लक्षण-स्तरीय मशीन लर्निंग को उपचार छोड़ने के जोखिम के साथ जोड़ने वाला मॉडल, निर्धारित उपचार की तुलना में लक्षणों में अधिक सुधार का पूर्वानुमान देता है।

उद्देश्य व्यक्तिगत उपचार की अनुशंसा के लिए एक ऐसा ढाँचा विकसित करना है, जो लक्षणों और उपचार के बीच उन अंतःक्रियाओं को ध्यान में रखे जिन्हें अवसाद की समग्र गंभीरता के स्कोर पर आधारित मॉडल अनदेखा कर देते हैं। पोस्टर में इसके औचित्य के रूप में बताया गया है कि उपचार से अलग हो जाना लगभग 20% से 30% रोगियों को प्रभावित करता है और आत्महत्या के प्रयास के जोखिम में 2 से 4 गुना वृद्धि से जुड़ा है, फिर भी इसे प्रायः अनुपलब्ध डेटा मानकर विश्लेषण से बाहर कर दिया जाता है। पद्धति में, प्रारंभिक लक्षणों की विशेषताओं से बने इनपुट मैट्रिक्स पर जनसंख्या के औसत पर आधारित मॉडलिंग की तुलना लक्षण-स्तरीय LightGBM मॉडलिंग (ग्रेडिएंट-बूस्टेड डिसीजन ट्री) से की गई; चयनात्मक सेरोटोनिन रीअपटेक इनहिबिटर (SSRI) के लिए उपचार-प्रतिक्रिया और लक्षण-शमन का वर्गीकरण मॉडल, अन्य अवसादरोधी दवाओं के लिए लक्षणों में सुधार का प्रतिगमन मॉडल, और संयोजन उपचार समूह के लिए उपचार से अलग होने (disengagement) का वर्गीकरण मॉडल बनाया गया। मॉडल के प्रदर्शन का मूल्यांकन AUC, RMSE, युग्मित t-परीक्षण और R-वर्ग के आधार पर किया गया। लक्षण-स्तरीय LightGBM मॉडल में PHQ-9 के आधार पर पूर्वानुमानित और प्रेक्षित लक्षण-सुधार के बीच सामंजस्य r = 0,92 और RMSE = 3,86 बताया गया। STAR*D के अंतर्गत निर्धारित उपचार और मॉडल द्वारा अनुशंसित उपचार की युग्मित तुलना में, मॉडल की अनुशंसा के अनुसार उपचार दिए जाने पर लक्षणों में अधिक सुधार का पूर्वानुमान मिला (t = 4,27, p < 0,001)। इस ढाँचे को लागू करने पर प्रति 1.000 रोगियों पर 80 लाख डॉलर की बचत और 1.000 रोगियों में से 570 के PHQ-9 स्कोर में 1 अंक से अधिक सुधार का पूर्वानुमान है। लेखकों का कहना है कि यह लक्षण-स्तरीय विषमता और उपचार छोड़ने के जोखिम को एकीकृत करने वाला पहला मशीन लर्निंग ढाँचा है। अगले चरण के रूप में वे स्वतंत्र नैदानिक परीक्षणों और वास्तविक जीवन के इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटासेट में इसके सत्यापन तथा द्विगुण-सुदृढ़ आकलन जैसी अधिक सशक्त कारणात्मक अनुमान विधियों के उपयोग की अनुशंसा करते हैं।

मूल पोस्टर पर जाएँ

इस अध्ययन को कैसे उद्धृत करें?

APA 7: Ravi, A. (2026, September 23-26). Same diagnosis, different care: personalizing depression care pathways to reflect individual differences [E-poster]. 26th WPA World Congress of Psychiatry (WCP 2026), Stockholm, Sweden. https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/1578

Vancouver: Ravi A. Same diagnosis, different care: personalizing depression care pathways to reflect individual differences [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/1578

लेखकों के नाम और शीर्षक का प्रारूप कांग्रेस की प्रणाली से स्वचालित रूप से तैयार किए गए हैं; उपयोग करने से पहले मूल पोस्टर से मिलान करें।

इसी विषय से संबंधित

WCP 2026 के सभी सारांश