کاربرد الگوریتم‌های یادگیری ماشین در طبقه‌بندی خطر افسردگی و اضطراب در سایکوآنکولوژی پیش‌بین یکی از مسیرهای نوظهور در پیوند میان هوش مصنوعی، پزشکی دقیق و مراقبت‌های روان‌شناختی بیماران مبتلا به سرطان است. سرطان علاوه بر پیامدهای جسمانی، می‌تواند با افزایش قابل توجه آسیب‌پذیری روان‌شناختی همراه باشد و افسردگی و اضطراب از جمله شایع‌ترین مشکلات هیجانی در طول مسیر بیماری و درمان محسوب می‌شوند. با این حال، خطر بروز این مشکلات در همه بیماران یکسان نیست و عواملی مانند نوع و مرحله سرطان، شدت علائم جسمانی، عوارض درمان، سابقه مشکلات روان‌شناختی، کیفیت خواب، درد، حمایت اجتماعی، وضعیت اقتصادی، ویژگی‌های جمعیت‌شناختی و شیوه مقابله با بیماری می‌توانند در شکل‌گیری آنها نقش داشته باشند. پیچیدگی و چندعاملی بودن این روابط سبب شده است که روش‌های سنتی مبتنی بر بررسی یک یا چند عامل به‌تنهایی برای شناسایی دقیق افراد در معرض خطر کافی نباشند و استفاده از الگوریتم‌های یادگیری ماشین به‌عنوان رویکردی برای تحلیل همزمان حجم بزرگی از داده‌ها مورد توجه قرار گیرد.
در سایکوآنکولوژی پیش‌بین، هدف اصلی استفاده از یادگیری ماشین صرفاً تشخیص افسردگی یا اضطراب پس از شکل‌گیری علائم نیست، بلکه شناسایی الگوهایی است که می‌توانند احتمال بروز یا تشدید آسیب‌پذیری روان‌شناختی را در آینده نشان دهند. الگوریتم‌های یادگیری ماشین می‌توانند مجموعه‌ای از متغیرهای بالینی، روان‌شناختی و اجتماعی را به‌صورت همزمان تحلیل کنند و بر اساس الگوهای موجود در داده‌های آموزشی، بیماران را در سطوح مختلف خطر طبقه‌بندی نمایند. این رویکرد می‌تواند زمینه را برای حرکت از مراقبت واکنشی به سوی مراقبت پیشگیرانه فراهم کند؛ به این معنا که مداخله روان‌شناختی پیش از رسیدن علائم به سطح شدید آغاز شود.
یکی از مزیت‌های بالقوه یادگیری ماشین، توانایی شناسایی روابط پیچیده و غیرخطی میان متغیرهاست. برای مثال، ممکن است ترکیب خستگی شدید، اختلال خواب، درد، سابقه اضطراب و کاهش حمایت اجتماعی خطر افسردگی را بیشتر از اثر هر یک از این عوامل به‌تنهایی افزایش دهد. مدل‌های یادگیری ماشین می‌توانند چنین تعامل‌هایی را در مجموعه داده‌های بزرگ شناسایی کنند و الگویی از ویژگی‌های مرتبط با افزایش خطر ارائه دهند. الگوریتم‌هایی مانند رگرسیون لجستیک منظم‌شده، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، گرادیان بوستینگ و شبکه‌های عصبی بسته به نوع داده و هدف پژوهش می‌توانند برای طبقه‌بندی بیماران مورد استفاده قرار گیرند.
داده‌های مورد استفاده در چنین مدل‌هایی می‌توانند از منابع مختلف به دست آیند. اطلاعات جمعیت‌شناختی، نوع سرطان، مرحله بیماری، سابقه درمان، علائم جسمانی، شدت درد، کیفیت خواب، سطح خستگی، نمرات پرسشنامه‌های اضطراب و افسردگی، Distress، حمایت اجتماعی و کیفیت زندگی از جمله متغیرهایی هستند که می‌توانند وارد مدل شوند. در مدل‌های پیشرفته‌تر، داده‌های پرونده الکترونیک سلامت، اطلاعات طولی مربوط به تغییر علائم و حتی داده‌های حاصل از ابزارهای پوشیدنی مانند الگوی خواب و فعالیت بدنی نیز می‌توانند برای ایجاد تصویر دقیق‌تر از وضعیت بیمار مورد استفاده قرار گیرند. هرچه داده‌ها از نظر زمانی و بالینی غنی‌تر باشند، امکان بررسی تغییرات خطر روان‌شناختی در طول مسیر بیماری نیز بیشتر خواهد شد.
در این چارچوب، طبقه‌بندی خطر می‌تواند به صورت چندسطحی طراحی شود. برای مثال، مدل می‌تواند بیماران را در گروه‌های خطر پایین، متوسط و بالا قرار دهد و این طبقه‌بندی برای تعیین شدت و نوع خدمات روان‌شناختی مورد استفاده قرار گیرد. البته این طبقه‌بندی نباید جایگزین ارزیابی بالینی شود، بلکه باید به‌عنوان ابزاری برای اولویت‌بندی ارزیابی و تخصیص منابع در نظر گرفته شود. بیماری که مدل او را در معرض خطر بالا قرار می‌دهد، می‌تواند برای ارزیابی دقیق‌تر توسط روان‌شناس یا متخصص سایکوآنکولوژی ارجاع شود، در حالی که بیمار دارای خطر پایین ممکن است از آموزش، پایش دوره‌ای و حمایت روانی پایه بهره‌مند شود.
یکی از کاربردهای مهم این فناوری، شناسایی زودهنگام بیمارانی است که ممکن است در جریان درمان به سمت افزایش اضطراب یا افسردگی حرکت کنند. بیمار ممکن است در زمان تشخیص علائم شدیدی نداشته باشد، اما ترکیب چند عامل خطر نشان دهد که در هفته‌ها یا ماه‌های آینده احتمال افزایش Distress یا اختلالات هیجانی وجود دارد. در چنین شرایطی، مدل پیش‌بین می‌تواند به تیم درمان هشدار دهد تا ارزیابی روان‌شناختی دقیق‌تری انجام شود. این رویکرد به‌ویژه در مراحل حساس مانند شروع شیمی‌درمانی، پرتودرمانی، جراحی، تغییر پروتکل درمانی، پایان درمان و دوره پیگیری اهمیت پیدا می‌کند.
یادگیری ماشین همچنین می‌تواند به شخصی‌سازی مداخلات سایکوآنکولوژی کمک کند. همه بیماران دارای اضطراب یا افسردگی به یک مداخله یکسان پاسخ نمی‌دهند. اگر مدل بتواند الگوهای متفاوت آسیب‌پذیری را شناسایی کند، متخصص می‌تواند برنامه مداخله‌ای را متناسب با ویژگی‌های بیمار طراحی کند. برای بیماری که خطر روان‌شناختی او عمدتاً با بی‌خوابی و خستگی مرتبط است، مدیریت خواب و علائم جسمانی ممکن است اهمیت بیشتری داشته باشد، در حالی که برای بیمار دیگری که سابقه افسردگی، انزوای اجتماعی و حمایت خانوادگی پایین دارد، مداخله حمایتی و شناختی ـ رفتاری می‌تواند در اولویت قرار گیرد. بنابراین، ارزش واقعی مدل‌های پیش‌بین زمانی افزایش می‌یابد که خروجی آنها به تصمیم بالینی قابل استفاده تبدیل شود.
در سایکوآنکولوژی پیش‌بین، کیفیت داده اهمیت اساسی دارد. مدل یادگیری ماشین تنها به اندازه داده‌هایی که با آنها آموزش داده شده است قابل اعتماد خواهد بود. داده‌های ناقص، سوگیری نمونه، تفاوت در روش اندازه‌گیری، فقدان داده‌های مربوط به گروه‌های خاص و تغییر الگوهای درمانی می‌توانند عملکرد مدل را کاهش دهند. برای مثال، اگر یک مدل عمدتاً بر اساس داده‌های یک مرکز تخصصی سرطان و جمعیت محدودی آموزش داده شود، ممکن است عملکرد آن در بیمارستانی دیگر یا در جمعیت‌هایی با ویژگی‌های اجتماعی و فرهنگی متفاوت کاهش یابد. بنابراین، اعتبارسنجی خارجی و آزمون مدل در جمعیت‌های مستقل از مراحل مهم توسعه چنین سامانه‌هایی هستند.
یکی از چالش‌های مهم، مسئله تفسیرپذیری الگوریتم‌هاست. در محیط بالینی، صرف اعلام اینکه یک بیمار «پرخطر» است کافی نیست؛ متخصص باید بداند چه عواملی بیشترین نقش را در این طبقه‌بندی داشته‌اند. استفاده از روش‌های هوش مصنوعی تفسیرپذیر می‌تواند امکان شناسایی عوامل مؤثر بر پیش‌بینی را افزایش دهد. چنین قابلیتی به متخصص کمک می‌کند خروجی مدل را در کنار اطلاعات بالینی تفسیر کند و از تبدیل الگوریتم به یک جعبه سیاه تصمیم‌گیری جلوگیری شود. در حوزه سلامت روان، این مسئله اهمیت بیشتری دارد، زیرا تصمیم‌های روان‌شناختی با تجربه فردی، زمینه خانوادگی و شرایط اجتماعی بیمار ارتباط مستقیم دارند.
از نظر بالینی، یکی از خطرهای احتمالی استفاده نادرست از مدل‌های پیش‌بین، تبدیل احتمال آماری به برچسب قطعی است. قرار گرفتن بیمار در گروه خطر بالا به این معنا نیست که او حتماً در آینده دچار افسردگی یا اضطراب خواهد شد. مدل صرفاً بر اساس الگوهای موجود در داده‌ها احتمال بیشتری را نشان می‌دهد و این احتمال باید با ارزیابی متخصص و گفت‌وگوی مستقیم با بیمار ترکیب شود. همچنین نتیجه مدل نباید موجب ایجاد اضطراب اضافی یا برچسب‌زنی روان‌شناختی شود. اطلاع‌رسانی درباره خطر باید با زبان مناسب و با تأکید بر قابل پیشگیری و قابل مدیریت بودن بسیاری از مشکلات روان‌شناختی انجام شود.
از سوی دیگر، حفظ حریم خصوصی بیماران یکی از چالش‌های جدی در استفاده از داده‌های بزرگ و یادگیری ماشین است. داده‌های مربوط به سلامت روان و سرطان از حساسیت بالایی برخوردارند و جمع‌آوری، ذخیره‌سازی و پردازش آنها باید بر اساس اصول محرمانگی، امنیت داده و رضایت آگاهانه انجام شود. استفاده از پرونده‌های الکترونیک سلامت یا داده‌های پوشیدنی بدون چارچوب‌های روشن اخلاقی و حقوقی می‌تواند اعتماد بیمار را کاهش دهد. بنابراین، توسعه سایکوآنکولوژی پیش‌بین باید همزمان با توسعه زیرساخت‌های حفاظت از داده و استانداردهای اخلاقی پیش برود.
شواهد پژوهشی در حوزه هوش مصنوعی و سلامت روان نشان می‌دهد که مدل‌های یادگیری ماشین ظرفیت قابل توجهی برای پیش‌بینی و طبقه‌بندی خطر دارند، اما عملکرد آنها میان مطالعات متفاوت است و کیفیت مدل باید با شاخص‌هایی مانند حساسیت، ویژگی، ارزش اخباری، کالیبراسیون و عملکرد در داده‌های مستقل ارزیابی شود. در سایکوآنکولوژی نیز استفاده از معیارهایی مانند دقت کلی به‌تنهایی کافی نیست، زیرا در یک جمعیت با شیوع پایین افسردگی یا اضطراب، یک مدل ممکن است دقت ظاهری بالایی داشته باشد اما در شناسایی بیماران واقعاً پرخطر عملکرد مناسبی نداشته باشد. بنابراین، ارزیابی جامع و بالینی مدل ضروری است.
محدودیت دیگر به تفاوت مفهوم پیش‌بینی با تشخیص مربوط می‌شود. الگوریتمی که خطر افسردگی آینده را پیش‌بینی می‌کند، لزوماً ابزار تشخیص افسردگی فعلی نیست. همچنین پیش‌بینی باید در یک بازه زمانی مشخص تعریف شود؛ برای مثال، خطر طی چند هفته آینده با خطر طی یک سال آینده یکسان نیست. بنابراین، پژوهش‌های آینده باید مدل‌هایی ایجاد کنند که زمان، شدت و مسیر تغییرات روان‌شناختی را نیز در نظر بگیرند. مدل‌های طولی و پویا می‌توانند نسبت به مدل‌هایی که تنها یک نقطه زمانی را بررسی می‌کنند، اطلاعات کاربردی‌تری برای مراقبت مستمر ارائه دهند.
برای توسعه کاربرد بالینی این فناوری پیشنهاد می‌شود مدل‌های یادگیری ماشین با غربالگری استاندارد Distress و ارزیابی روان‌شناختی ترکیب شوند. در این رویکرد، الگوریتم می‌تواند به‌عنوان یک لایه پیش‌بین در کنار غربالگری و قضاوت بالینی عمل کند. بیمار ابتدا از نظر Distress و علائم اضطراب و افسردگی ارزیابی می‌شود و سپس مدل با استفاده از داده‌های بالینی و روان‌شناختی، سطح خطر آینده را تخمین می‌زند. اگر خطر بالا باشد، ارجاع سریع‌تر به خدمات سایکوآنکولوژی انجام می‌شود و پس از مداخله نیز داده‌های جدید برای بررسی تغییر وضعیت بیمار وارد سامانه می‌شوند. این چرخه می‌تواند زمینه شکل‌گیری یک سیستم پایش و مداخله پویا را فراهم کند.
کاربرد الگوریتم‌های یادگیری ماشین در طبقه‌بندی خطر افسردگی و اضطراب می‌تواند یکی از مسیرهای مهم توسعه سایکوآنکولوژی پیش‌بین باشد. این فناوری با تحلیل همزمان مجموعه‌ای از عوامل بالینی، روان‌شناختی و اجتماعی می‌تواند به شناسایی زودهنگام بیماران آسیب‌پذیر و هدفمندتر شدن خدمات روان‌شناختی کمک کند. با این حال، ارزش بالینی چنین مدل‌هایی تنها زمانی محقق می‌شود که الگوریتم‌ها بر داده‌های باکیفیت آموزش ببینند، در جمعیت‌های مستقل اعتبارسنجی شوند، تفسیرپذیر باشند و در کنار ارزیابی تخصصی انسان قرار گیرند. آینده این حوزه را می‌توان در حرکت از مدل‌های ایستا به سمت سامانه‌های پیش‌بین طولی و شخصی‌سازی‌شده دانست؛ سامانه‌هایی که بتوانند تغییرات روان‌شناختی بیمار را در طول مسیر سرطان رصد کنند، احتمال افزایش خطر را زودتر شناسایی نمایند و به تیم درمان امکان دهند پیش از تشدید افسردگی، اضطراب یا Distress، مداخله مناسب را آغاز کند. در چنین چارچوبی، هوش مصنوعی جایگزین متخصص سایکوآنکولوژی نیست، بلکه به‌عنوان ابزار تصمیم‌یار می‌تواند ظرفیت نظام مراقبت را برای شناسایی، پیشگیری و مداخله زودهنگام افزایش دهد.