به گزارش ایسنا و به نقل از نیوز مدیکال نت، گروهی از دانشمندان "دانشگاه صنعتی نانیانگ"(NTU) در سنگاپور، یک برنامه رایانهای ابداع کردهاند که میتواند پیشبینی کند چه افرادی در معرض خطر ابتلا به افسردگی قرار دارند.
در آزمایشهایی که با استفاده از دادههای مربوط به شرکتکنندگان افسرده و سالم صورت گرفت، این برنامه توانست افرادی را که در معرض خطر افسردگی قرار داشتند و افراد بدون خطر را با دقت ۸۰ درصد شناسایی کند.
این برنامه که "Ycogni" نام دارد، خطر افسردگی را با استفاده از یادگیری ماشینی و با تجزیه و تحلیل فعالیت بدنی، الگوهای خواب و دادههای دستگاههای پوشیدنی که قدمها، ضربان قلب و مصرف انرژی کاربر را اندازهگیری میکنند، مورد بررسی قرار میدهد.
به گفته سازمان بهداشت جهانی، افسردگی ۲۶۴ میلیون نفر را در سراسر جهان تحت تاثیر قرار میدهد و در نیمی از موارد تشخیص داده نشده و درمان نشده است. همهگیری کووید-۱۹ در سنگاپور، به افزایش نگرانی در مورد رفاه روانی منجر شده است. بررسی جدید موسسه سلامت روان سنگاپور، افزایش احتمالی مشکلات مربوط به سلامت روان، از جمله افسردگی مرتبط با این بیماری همهگیر را نشان میدهد.
تخمین زده میشود که تقریبا یک میلیارد نفر از ردیابهای فعالیت استفاده میکنند که از ۷۲۲ میلیون نفر در سال ۲۰۱۹ تاکنون افزایش یافته است.
دانشمندان برای توسعه مدل Ycogni، یک بررسی را روی ۲۹۰ بزرگسال شاغل در سنگاپور انجام دادند. شرکتکنندگان به مدت ۱۴ روز متوالی از دستگاههای "Fitbit Charge 2" استفاده کردند و دو نظرسنجی سلامت را تکمیل کردند که نشانههای افسردگی را در آغاز و پایان بررسی مورد ارزیابی قرار میدادند.
میانگین سنی شرکتکنندگان ۳۳ سال بود که جمعیت قومی سنگاپور را منعکس میکرد. به شرکتکنندگان دستور داده شد که همیشه از ردیاب استفاده کنند و فقط هنگام دوش گرفتن یا زمانی که دستگاه به شارژ نیاز دارد، آنها را بردارند.
پروفسور "جوسیپ کار"(Josip Car)، مدیر مرکز علوم سلامت جمعیت در دانشگاه صنعتی نانیانگ و سرپرست این پژوهش گفت: پژوهش ما با موفقیت نشان داد که میتوانیم دادههای حسگر ابزارهای پوشیدنی را به کار بگیریم تا خطر ابتلا به افسردگی را در افراد تشخیص دهیم. با استفاده از برنامه یادگیری ماشینی ما و همچنین افزایش محبوبیت دستگاههای پوشیدنی، شاید روزی بتوان افسردگی را به موقع و بدون مشکل تشخیص داد.
"جورجیوس کریستوپولوس"(Georgios Christopoulos)، دانشیار دانشکده تجارت دانشگاه صنعتی نانیانگ و از پژوهشگران این پروژه گفت: ما امیدواریم که این پژوهش بتواند پایهای برای استفاده از فناوریهای پوشیدنی در کمک به افراد، متخصصان سلامت روان و سیاستگذاران باشد و رفاه روانی را بهبود ببخشد. ما باور داریم که در یک برنامه عمومیتر و آیندهنگر، شاید بتوان چنین سیگنالهایی را با ساختمانهای هوشمند یا حتی طرحهای مربوط به شهرهای هوشمند ادغام کرد. یک بیمارستان یا یک واحد نظامی را تصور کنید که بتواند از این سیگنالها برای شناسایی افراد در معرض خطر استفاده کند.
نشانههای حیاتی مرتبط با افسردگی
پژوهشگران در این پروژه، علاوه بر اینکه توانستند دقیقا تعیین کنند که آیا شرکتکنندگان در معرض خطر ابتلا به افسردگی هستند یا خیر، الگوهای خاص رفتار شرکتکنندگان را با نشانههای افسردگی مرتبط کردند که احساس درماندگی و ناامیدی، از دست دادن علاقه به فعالیتهای روزانه و تغییر در اشتها یا وزن را شامل میشد.
دانشمندان از تجزیه و تحلیل یافتههای خود دریافتند افرادی که ضربان قلب متفاوتتری را بین ساعت دو تا چهار صبح و بین چهار تا شش صبح داشتند، مستعد ابتلا به نشانههای شدیدتر افسردگی بودند. این مشاهدات، یافتههای پژوهشهای پیشین را تأیید میکند که نشان داده بودند تغییر ضربان قلب طی خواب ممکن است یک نشانگر فیزیولوژیکی معتبر برای افسردگی باشد.
همچنین این پژوهش، الگوهای خوابی که کمتر منظم هستند مانند زمانهای متفاوت بیدار شدن و خواب را با نشانههای افسردگی مرتبط دانست.
دانشمندان توضیح دادند که اگرچه الگوهای منظم روزهای هفته عمدتا طبق روال کار تعیین میشود اما توانایی پیروی از این روال، تمایز بهتری را بین افراد افسرده و سالم ایجاد میکند. افراد سالم این پژوهش، نظم بیشتری را در زمان بیدار شدن و خوابیدن داشتند.
پروفسور کار افزود: ما مشتاقانه منتظریم تا پژوهش خود را گسترش دهیم تا سایر نشانههای حیاتی در تشخیص خطر افسردگی مانند دمای پوست را نیز شامل شود. تنظیم دقیق برنامه ما میتواند تشخیص زودهنگام، مستمر و مقرون به صرفه افسردگی در جمعیت عمومی را آسانتر کند.
پروفسور کریستوپولوس ادامه داد: گروه ما روی سایر انواع بیماریهای روانی مانند خستگی روانی کار خواهد کرد که به نظر میرسد در حال حاضر، یک مشکل هشداردهنده است. فناوریهای پوشیدنی میتوانند بخشی از سیستم بازخوردی باشند که از درمانگران برای ارزیابی بهتر وضعیت روانی بیماران آنها حمایت میکند. به عنوان نمونه میتوان به بهبود کیفیت خواب اشاره کرد.
این پژوهش، در مجله "JMIR Mhealth Uhealth" به چاپ رسید.
انتهای پیام
نظرات