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।

SO384

अवसाद में उपचार-प्रतिरोध और आत्महत्या के जोखिम का पूर्वानुमान लगाने के लिए आयु-स्तरीकृत मॉडलिंग और व्याख्या-योग्य कृत्रिम बुद्धिमत्ता का संयोजन

INTEGRATING AGE-STRATIFIED MODELING AND EXPLAINABLE AI FOR PREDICTING TREATMENT REFRACTORINESS AND SUICIDE RISK IN DEPRESSION

आयु-स्तरीकृत TabNet मॉडलों ने FDG-PET डेटा का उपयोग करके पारंपरिक मशीन लर्निंग विधियों की तुलना में अधिक सटीकता से उपचार-प्रतिरोधी अवसाद और आत्महत्या के जोखिम का पूर्वानुमान लगाया तथा प्रत्येक आयु समूह में अलग-अलग चयापचय प्रतिरूपों की पहचान की।

इस अध्ययन का उद्देश्य इस धारणा के आधार पर मूल्यांकन करना था कि उपचार-प्रतिरोधी अवसाद (treatment-resistant depression, TRD) के मस्तिष्कीय तंत्र आयु समूहों के अनुसार भिन्न होते हैं, और क्या आयु-स्तरीकृत मॉडलिंग आयु-विशिष्ट चयापचय प्रतिरूपों को पहचानकर पूर्वानुमान में सुधार करती है। ताइपे वेटरन्स जनरल हॉस्पिटल के प्रमुख अवसादी विकार से ग्रस्त 245 रोगियों (आयु 21-82 वर्ष) को तीन समूहों में विभाजित किया गया: युवा (25 वर्ष से कम; 7 उपचार-प्रतिरोध रहित, 17 TRD), वयस्क (25-49 वर्ष; 26 उपचार-प्रतिरोध रहित, 58 TRD) और अधिक आयु वाले (50 वर्ष और उससे अधिक; 56 उपचार-प्रतिरोध रहित, 81 TRD)। विश्राम-अवस्था का FDG-PET डेटा 116 AAL मस्तिष्क क्षेत्रों से प्राप्त किया गया तथा SUV सुधार और न्यूनतम-अधिकतम सामान्यीकरण लागू किया गया; सारणीबद्ध डेटा के लिए डीप लर्निंग आर्किटेक्चर TabNet से निर्मित आयु-स्तरीकृत ढाँचे की तुलना पारंपरिक मशीन लर्निंग मॉडलों (SVM, RF, XGBoost) से की गई, वर्ग असंतुलन के लिए SMOTE, Mixup और वर्ग-संतुलित हानि फलन का उपयोग किया गया तथा मॉडल की व्याख्येयता SHAP (SHapley Additive exPlanations) के माध्यम से सुनिश्चित की गई। TabNet ने सभी मापदंडों पर पारंपरिक मॉडलों से बेहतर प्रदर्शन किया; उपचार-प्रतिरोध के पूर्वानुमान की सटीकता युवा समूह में 75.33%, वयस्क समूह में 71.62% और अधिक आयु वाले समूह में 77.80% रही। आत्महत्या के जोखिम के पूर्वानुमान की सटीकता युवा समूह में 86.00%, वयस्क समूह में 80.19% और अधिक आयु वाले समूह में 70.36% बताई गई। SHAP विश्लेषण ने आयु-विशिष्ट तंत्रिका-जैविक प्रोफ़ाइल उजागर कीं: युवा रोगियों में संवेदी एकीकरण और सामाजिक नेटवर्कों (पार्श्विका खंड, टेम्पोरल पोल) में भिन्नताएँ, वयस्कों में प्रीफ्रंटल कॉर्टेक्स, एंटीरियर सिंगुलेट कॉर्टेक्स और लिम्बिक तंत्र के बीच विनियमन की गड़बड़ी, तथा अधिक आयु वाले समूह में अधोवल्कुटीय और अनुमस्तिष्कीय संरचनाओं की संलिप्तता (पुटामेन, अनुमस्तिष्क) देखी गई। लेखकों के अनुसार, आयु TRD की नैदानिक अभिव्यक्ति और मॉडल के प्रदर्शन को प्रभावित करने वाला एक निर्णायक नियामक कारक (moderator) है; रोगियों का आयु के अनुसार स्तरीकरण और TabNet जैसी व्याख्या-योग्य कृत्रिम बुद्धिमत्ता का उपयोग न केवल पूर्वानुमान की सटीकता बढ़ाता है, बल्कि आयु-विशिष्ट रोगात्मक तंत्रों की पहचान भी संभव बनाता है।

WCP 2026 के सभी सारांश