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।

EV0450

ई-पोस्टरडिजिटल मनोचिकित्सा और कृत्रिम बुद्धिमत्तापूर्वव्यापी कोहोर्ट (पायलट अध्ययन)

बचपन के ADHD में उपचार छोड़ने का प्रारंभिक पूर्वानुमान लगाने के लिए एक कृत्रिम बुद्धिमत्ता मॉडल: एक निम्न-मध्यम आय वाले देश से पायलट अध्ययन

AN ARTIFICIAL INTELLIGENCE MODEL FOR EARLY PREDICTION OF TREATMENT DISENGAGEMENT IN CHILDHOOD ADHD: A PILOT STUDY FROM A LOWER-MIDDLE-INCOME COUNTRY

प्रस्तुतकर्ता: Prabha Vidyatilake

देश: Australia

ADHD का नया निदान प्राप्त करने वाले 459 बच्चों में से 35.8% ने उपचार छोड़ दिया, और नियमित नैदानिक डेटा पर प्रशिक्षित सर्वोत्तम मशीन लर्निंग मॉडल (XGBoost) ने 0.66 का AUC मान प्राप्त किया।

इस अध्ययन का उद्देश्य सीमित संसाधनों वाले परिवेश में बचपन के ध्यानाभाव-अतिसक्रियता विकार (ADHD) वाले बच्चों के कोहोर्ट में प्रारंभिक चरण में उपचार छोड़ने के सामाजिक-जनसांख्यिकीय और नैदानिक पूर्वानुमानकों की पहचान करने के लिए एक व्याख्या-योग्य मशीन लर्निंग मॉडल विकसित करना था। श्रीलंका के कोलंबो नॉर्थ टीचिंग हॉस्पिटल की बाल एवं किशोर मानसिक स्वास्थ्य सेवाओं (CAMHS) की क्लिनिक में ADHD का नया निदान प्राप्त करने वाले 459 बच्चों के पूर्वव्यापी कोहोर्ट का उपयोग किया गया; जनसांख्यिकीय विशेषताओं, रेफरल मार्ग, लक्षणों की रूपरेखा, सहवर्ती मनोरोग निदानों, बौद्धिक कार्यक्षमता और माता-पिता की विशेषताओं को प्रारंभिक चरों के रूप में लिया गया। पाँच-खंडीय क्रॉस-वैलिडेशन के साथ तीन मॉडल विकसित किए गए: लॉजिस्टिक रिग्रेशन, रैंडम फ़ॉरेस्ट (random forest) और एक्सट्रीम ग्रेडिएंट बूस्टिंग (extreme gradient boosting, XGBoost)। मॉडल के पूर्वानुमानों की व्याख्या के लिए SHapley Additive exPlanations (SHAP) विधि का उपयोग किया गया। कोहोर्ट के 35.8% बच्चों ने उपचार छोड़ दिया; रेफरल मार्गों का वितरण इस प्रकार था: देखभालकर्ता द्वारा स्वयं संपर्क 33.0%, अंतःरोगी सेवाएँ 32.0%, शिक्षा क्षेत्र 18.0% और बाल संरक्षण सेवाएँ 10.3%। सर्वोत्तम प्रदर्शन करने वाला मॉडल XGBoost था, जिसका वक्र के नीचे का क्षेत्रफल (area under the curve, AUC) 0.66 था। उपचार छोड़ने का अधिक जोखिम विशिष्ट अधिगम कठिनाई, व्यवहार-संबंधी समस्याओं/आवेगशीलता की प्रधानता वाली प्रस्तुति और बाह्यरोगी सेवाओं में स्वयं संपर्क करने से जुड़ा पाया गया; वहीं औसत बौद्धिक कार्यक्षमता उपचार में बने रहने की बेहतर संभावना से जुड़ी थी। बाद में उपचार छोड़ने वाले बच्चों में बताए गए कारणों में सामाजिक समर्थन का समाप्त होना 63.9%, माता-पिता द्वारा ADHD निदान को स्वीकार न करना 13.7% और दवा को लेकर चिंताएँ 1.5% शामिल थे। लेखकों का कहना है कि कृत्रिम बुद्धिमत्ता और नियमित रूप से एकत्र किए जाने वाले नैदानिक डेटा, उपचार छोड़ने के जोखिम वाले बच्चों की प्रारंभिक पहचान संभव बनाकर लक्षित हस्तक्षेपों और सीमित CAMHS संसाधनों के बेहतर उपयोग में सहायता कर सकते हैं।

मूल पोस्टर पर जाएँ

इस अध्ययन को कैसे उद्धृत करें?

APA 7: Vidyatilake, P., Fonseka, N., De Zoysa, N., Manage, N., Liyanage, S., Weerasinghe, D., Madushan, W., Perera, S., Weerasinghe, D., Subasinghe, N., & Chandradasa, M. (2026, September 23-26). An artificial intelligence model for early prediction of treatment disengagement in childhood adhd: a pilot study from a lower-middle-income country [E-poster]. 26th WPA World Congress of Psychiatry (WCP 2026), Stockholm, Sweden. https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/869

Vancouver: Vidyatilake P, Fonseka N, De Zoysa N, Manage N, Liyanage S, Weerasinghe D, et al. An artificial intelligence model for early prediction of treatment disengagement in childhood adhd: a pilot study from a lower-middle-income country [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/869

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