موفقیت نتایج پژوهش استفاده از هوش مصنوعی برای درمان افراد افسرده

دانشیار گروه مهندسی و فیزیک پزشکی دانشگاه علوم پزشکی شهید بهشتی از موفقیت نتایج پژوهش پیش بینی پاسخ به درمان تحریک مغناطیس مغز در افراد افسرده از روی سیگنال الکتروانسفالوگرام قبل از اعمال درمان با استفاده از روش‌های پیشرفته هوش مصنوعی خبر داد.
به گزارش ایسنا، پژوهشی درباره درمان افسردگی با شیوه های نوین در گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی بر روی ۸۰ بیمار افسرده با موفقیت و با دقت بالای ۹۰ درصد اجرا شده است. در این پژوهش به پیش بینی پاسخ به درمان تحریک مغناطیسی مغز برای افراد افسرده از روی سیگنال الکتروانسفالوگرام با استفاده از روش های پیشرفته هوش مصنوعی پرداخته شده است.
در همین باره، احمد شال باف، دانشیار گروه مهندسی و فیزیک پزشکی دانشگاه علوم پزشکی شهید بهشتی به ایسنا گفت: بر اساس گزارش‌ سازمان جهانی بهداشت، افسردگی بزرگترین عامل ناتوانی در زندگی بشر است و سهم عمده ای در بار کلی بیماری ها دارد و با مشکلات شخصی، اجتماعی و اقتصادی قابل توجهی همراه است. شیوع بیماری هایی مانند کرونا و کاهش روابط اجتماعی نزدیک سبب گسترش این بیماری در این چند سال شده است. طبق آمارهای رسمی در ایران حدود ۴ تا ۵ میلیون نفر درگیر این بیماری بوده و این آمار در حال رشد می باشد.
وی با بیان اینکه درمان های مرسوم افسردگی شامل درمان های دارویی مختلف و درمان با تحریک مغناطیسی مغز است، افزود: درمان با تحریک مغناطیسی مغز مبتنی بر اصل القای الکترومغناطیسی است؛ که یک سری پالس های مغناطیسی در فرکانس و شدت مشخصی، بر روی قشر مغز، برای مدت معینی اعمال می شود. این پالس های مغناطیسی می توانند فعالیت عصبی نقاط هدف را تعدیل سازند. در حال حاضر، انتخاب نوع درمان توسط روان پزشک به صورت کیفی و با شرح حال بیمار و استفاده از مولفه‌های دموگرافیک و پارامترهای کلینیکی انجام می گیرد؛ اما داده های دموگرافی و بالینی، دارای قدرت تفکیک بالایی نیستند و عملا انتخاب نوع درمان و پیش بینی پاسخ به درمان با طی یک فرآیند آزمون و خطا انجام می گیرد؛ از این رو استفاده از روش های تصویربرداری مغز از جمله الکتروانسفالوگرام (EEG) و اتخاذ رویکرد هوشمند شخصی سازی شده در انتخاب نوع درمان از اهمیت بالایی برخوردار است. به عبارت دیگر با توجه به طولانی بودن دوره درمان که در حدود ۲ تا ۶ ماه می باشد، هزینه های بالای درمان، احتمال افزایش شدت بیماری و عدم پیگیری ادامه درمان توسط شخص افسرده در صورت عدم درمان به موقع، لازم است رویکردی هوشمند برای پیش بینی پاسخ بیماران افسرده به این روش های درمانی اتخاذ شود.
شال باف تصریح کرد: در پژوهش حاضر، پیش بینی پاسخ به درمان تحریک مغناطیس مغز در افراد افسرده از روی سیگنال الکتروانسفالوگرام قبل از اعمال درمان با استفاده از روش های پیشرفته هوش مصنوعی با موفقیت انجام شد. امروزه، تقریبا در تمام کاربردهای بالینی و حوزه سلامت در تشخیص و درمان، ردپای هوش مصنوعی در پزشکی دیده می‌شود. لذا تردیدی وجود ندارد که هوش مصنوعی به بخش اصلی سیستم‌های سلامت دیجیتال تبدیل خواهد شد که به نوبه خود پزشکی مدرن را شکل می دهد. فناوری هوش مصنوعی با استفاده از الگوریتم‌های ریاضی، داده‌های پیچیده را درک می کند، یاد می گیرد و می تواند بسیار به پزشکان در تصمیم گیری های بالینی کمک کند.
دانشیار گروه مهندسی و فیزیک پزشکی دانشگاه علوم پزشکی شهید بهشتی تصریح کرد: در این پژوهش، نقشه مغزی بیماران افسرده از روی سیگنال الکتروانسفالوگرام با استفاده از روش های مختلف ارتباط عملکردی و موثر مغزی بدست آمده و سپس این نقشه مغزی به عنوان ورودی به شبکه های عصبی عمیق اعمال می شود. استفاده همزمان از روش های پیشرفته هوش مصنوعی مبتنی بر شبکه های عصبی عمیق کانولوشنی و بازگشتی و استفاده از روش های انتقال یادگیری، سبب استخراج بهترین ویژگی های منحصر به فرد از نقشه مغزی فرد افسرده مرتبط با پیش بینی پاسخ به درمان تحریک مغناطیسی مغز در فرد می شود.
این پژوهشگر بیان کرد: بدین ترتیب مدل هوش مصنوعی نهایی به دقیق ترین شکل ممکن بیماران پاسخ دهنده و غیر پاسخ دهنده به درمان تحریک مغناطیسی مغز را قبل از درمان از یکدیگر تفکیک نموده و در نهایت از افزایش هزینه های تحمیل شده به بیماران، اتلاف زمان چند ماهه در شرایط بیماری و تحمل رنج بیماری جلوگیری می کند. این پژوهش در گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی و با همکاری کلینیک آتیه و آقایان دکتر رستمی و دکتر کاظمی روان پزشکان آن مرکز بر روی ۸۰ بیمار افسرده با موفقعیت و با دقت بالای ۹۰ درصد اجرا شده است.

*