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।

डिजिटल और परिशुद्ध मनोचिकित्सा

Digital and precision psychiatry

मनोचिकित्सा में मशीन लर्निंग मॉडलों को नैदानिक उपयोग में लाने के लिए जैविक विषमता को मॉडलों में शामिल करना और स्वतंत्र नमूनों में बाह्य वैधता प्रदर्शित करना आवश्यक है।

यह व्याख्यान दो अध्ययनों के माध्यम से परिशुद्ध (precision) मनोचिकित्सा में मशीन लर्निंग की संभावनाओं और इसके नैदानिक उपयोग को सीमित करने वाली दो समस्याओं पर चर्चा करता है: जैविक लिंग जैसे महत्वपूर्ण चरों का अपर्याप्त मॉडलन और स्वतंत्र आबादियों पर मॉडलों के सामान्यीकरण की असमर्थता। परिशुद्ध मनोचिकित्सा का उद्देश्य ऐसे व्यक्तिगत नैदानिक उपकरण विकसित करना है जो मनोरोगों की जैविक और लक्षणप्ररूपी विषमता को ध्यान में रखें। पहले अध्ययन में तंत्रिका-संरचनात्मक डेटा और सपोर्ट वेक्टर मशीनों (support vector machines, SVM) का उपयोग करके जैविक लिंग का वर्गीकरण करने वाला एक मॉडल PRONIA कोहोर्ट के 521 स्वस्थ नियंत्रण प्रतिभागियों पर विकसित किया गया और शुरुआती मनोरोग स्पेक्ट्रम के 994 व्यक्तियों पर लागू किया गया। इनमें मनोविकृति के लिए नैदानिक रूप से उच्च जोखिम (clinical high risk, CHR), हाल में शुरू हुई मनोविकृति (recent onset psychosis, ROP) और हाल में शुरू हुआ अवसाद (recent onset depression, ROD) शामिल थे। मॉडल ने स्वस्थ नियंत्रण प्रतिभागियों में जैविक लिंग का सही विभेदन किया (संतुलित सटीकता, balanced accuracy, BAC = 85,7%; p<0,001), जबकि इसका प्रदर्शन CHR (85,5%), ROD (79,3%) और ROP (75,8%) में क्रमशः घटता गया; यह निष्कर्ष संकेत देता है कि मनोविकृति-विज्ञान के शुरुआती चरणों में जैविक लिंग से जुड़े मानक तंत्रिका-संरचनात्मक प्रतिरूप क्रमशः बाधित होते जाते हैं। दूसरे अध्ययन में मनोविकृति के पहले प्रकरण के बाद 12 महीने के कार्यात्मक परिणाम का पूर्वानुमान लगाने वाले SVM मॉडलों का मूल्यांकन EUFEST (n = 338) और PSYSCAN (n = 226) कोहोर्टों में किया गया। अपने-अपने कोहोर्टों के भीतर मॉडलों का प्रदर्शन अच्छा रहा (BAC = 65-66%), लेकिन स्वतंत्र कोहोर्ट में परीक्षण किए जाने पर प्रदर्शन में उल्लेखनीय गिरावट आई (BAC = 50-56%); वहीं, डेटा सेटों को एक साथ मिलाने पर पूर्वानुमान बेहतर हुआ (एक अध्ययन केंद्र को बाहर रखकर सत्यापन, leave site out, BAC = 72%)। परिणाम इस बात पर बल देते हैं कि मशीन लर्निंग के निष्कर्षों को दैनिक नैदानिक अभ्यास में लागू करने के लिए मॉडलों में जैविक विषमता को शामिल करना तथा बाह्य सत्यापन (external validation) और सुदृढ़ सामान्यीकरण-क्षमता सुनिश्चित करना आवश्यक है।

WCP 2026 के सभी सारांश