دوشنبه 18 آبان 1405
| English
دوره 32، شماره 1 - ( 5-1405 )
جلد 32 شماره 1 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Bagheri Sheykhangafshe F, Tajbakhsh K, Savabi Niri V, Ramezanpour Mermeti F, Afsarpour S A. Transforming Suicide Risk Detection and Prevention through Artificial Intelligence and Machine Learning: A Systematic Review. IJPCP 2026; 32 (1)
URL: http://ijpcp.iums.ac.ir/article-1-4598-fa.html
URL: http://ijpcp.iums.ac.ir/article-1-4598-fa.html
باقری شیخانگفشه فرزین، تاج بخش خزر، صوابی نیری وحید، رمضانپور مرمتی فاطمه، افسرپور سیده آتوسا. تحول در شناسایی و پیشگیری از خطر خودکشی با استفاده از هوش مصنوعی و یادگیری ماشین: مرور نظام‌مند. مجله روانپزشكي و روانشناسي باليني ايران. 1405; 32 (1)
فرزین باقری شیخانگفشه1 
، خزر تاج بخش2 ، وحید صوابی نیری3 ، فاطمه رمضانپور مرمتی4 ، سیده آتوسا افسرپور5
، خزر تاج بخش2 ، وحید صوابی نیری3 ، فاطمه رمضانپور مرمتی4 ، سیده آتوسا افسرپور5
1- گروه روانشناسی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران. ، farzinbagheri@modares.ac.ir
2- گروه روانشناسی، دانشگاه میلان-بیکوکا، میلان، ایتالیا.
3- گروه روانشناسی بالینی، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
4- گروه روانشناسی بالینی، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران.
5- گروه روانشناسی اسلامی مثبت‌گرا، واحد بهشهر، دانشگاه پیام نور، بهشهر، ایران.
2- گروه روانشناسی، دانشگاه میلان-بیکوکا، میلان، ایتالیا.
3- گروه روانشناسی بالینی، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
4- گروه روانشناسی بالینی، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران.
5- گروه روانشناسی اسلامی مثبت‌گرا، واحد بهشهر، دانشگاه پیام نور، بهشهر، ایران.
چکیده: (517 مشاهده)
اهداف باتوجه‌به رشد روزافزون استفاده از داده‌های دیجیتال و ابزارهای محاسباتی در حوزه سلامت روان، ضرورت مرور شواهد موجود در زمینه بهره‌گیری از فناوری‌های نوین بیش‌ازپیش احساس می‌شود. پژوهش مروری حاضر با هدف بررسی تحول در شناسایی و پیشگیری از خطر خودکشی با استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین انجام شد.
مواد و روش ها از طریق مطالعه مروری نظام‌مند، کلیه مقالات منتخب براساس کلمات کلیدی مرتبط در پایگاه‌های اطلاعاتی گوگل‌اسکالر، پابمد، پروکوئست، امبیس، سایک‌اینفو، وب‌آوساینس، سیناهل و اسکوپوس در بازه زمانی ژانویه سال 2014 تا سپتامبر سال ۲۰۲۵ توسط نویسندگان پژوهش جمع‌آوری و ارزیابی شدند. درمجموع، 751 مقاله منتشرشده به زبان انگلیسی مطابق با معیارهای ورود مشخص و با استفاده از سیاهه استاندارد ارزیابی کیفیت، براساس راهنمای پریزما گزارش‌دهی شدند. پس از انجام ارزیابی کیفی جامع، 25 مقاله منتخب که از بالاترین کیفیت برخوردار بودند، مورد مطالعه قرار گرفتند.
یافته ها داده‌های مورداستفاده شامل پیام‌های متنی، شبکه‌های اجتماعی، سوابق بالینی الکترونیک و یادداشت‌های روانپزشکی بود و حجم نمونه‌ها از چند صد تا میلیون‌ها رکورد متغیر بود. پژوهش‌ها از الگوریتم‌های یادگیری ماشین و یادگیری عمیق شامل رگرسیون لجستیک، رندوم فارست، درخت تصمیم، تقویت گرادیان افراطی (XGBoost) و شبکه‌های عصبی عمیق بهره بردند و دقت پیش‌بینی از ۶۵ تا بیش از ۹۵ درصد گزارش شد. عوامل پرخطر شامل اختلالات روانپزشکی، افسردگی، روش اقدام، وضعیت تأهل، تحصیلات پایین، بیکاری و انزوای اجتماعی بود و بهترین عملکرد مربوط به جنگل تصادفی و شبکه‌های عصبی عمیق بود.
نتیجه گیری هوش مصنوعی و الگوریتم‌های یادگیری ماشین توانستند الگوهای پیچیده خطر خودکشی را در داده‌های بالینی و شبکه‌های اجتماعی شناسایی کرده و پیش‌بینی زودهنگام را ممکن سازند. الگوریتم‌های جنگل تصادفی و شبکه‌های عصبی عمیق بالاترین دقت را ارائه کردند و ابزارهای عملی برای طراحی مداخلات پیشگیرانه فراهم کردند.
مواد و روش ها از طریق مطالعه مروری نظام‌مند، کلیه مقالات منتخب براساس کلمات کلیدی مرتبط در پایگاه‌های اطلاعاتی گوگل‌اسکالر، پابمد، پروکوئست، امبیس، سایک‌اینفو، وب‌آوساینس، سیناهل و اسکوپوس در بازه زمانی ژانویه سال 2014 تا سپتامبر سال ۲۰۲۵ توسط نویسندگان پژوهش جمع‌آوری و ارزیابی شدند. درمجموع، 751 مقاله منتشرشده به زبان انگلیسی مطابق با معیارهای ورود مشخص و با استفاده از سیاهه استاندارد ارزیابی کیفیت، براساس راهنمای پریزما گزارش‌دهی شدند. پس از انجام ارزیابی کیفی جامع، 25 مقاله منتخب که از بالاترین کیفیت برخوردار بودند، مورد مطالعه قرار گرفتند.
یافته ها داده‌های مورداستفاده شامل پیام‌های متنی، شبکه‌های اجتماعی، سوابق بالینی الکترونیک و یادداشت‌های روانپزشکی بود و حجم نمونه‌ها از چند صد تا میلیون‌ها رکورد متغیر بود. پژوهش‌ها از الگوریتم‌های یادگیری ماشین و یادگیری عمیق شامل رگرسیون لجستیک، رندوم فارست، درخت تصمیم، تقویت گرادیان افراطی (XGBoost) و شبکه‌های عصبی عمیق بهره بردند و دقت پیش‌بینی از ۶۵ تا بیش از ۹۵ درصد گزارش شد. عوامل پرخطر شامل اختلالات روانپزشکی، افسردگی، روش اقدام، وضعیت تأهل، تحصیلات پایین، بیکاری و انزوای اجتماعی بود و بهترین عملکرد مربوط به جنگل تصادفی و شبکه‌های عصبی عمیق بود.
نتیجه گیری هوش مصنوعی و الگوریتم‌های یادگیری ماشین توانستند الگوهای پیچیده خطر خودکشی را در داده‌های بالینی و شبکه‌های اجتماعی شناسایی کرده و پیش‌بینی زودهنگام را ممکن سازند. الگوریتم‌های جنگل تصادفی و شبکه‌های عصبی عمیق بالاترین دقت را ارائه کردند و ابزارهای عملی برای طراحی مداخلات پیشگیرانه فراهم کردند.
نوع مطالعه: مروري |
موضوع مقاله:
روانپزشکی و روانشناسی
دریافت: 1404/6/8 | پذیرش: 1404/10/20 | انتشار: 1404/12/4
دریافت: 1404/6/8 | پذیرش: 1404/10/20 | انتشار: 1404/12/4
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
تماس با ما
مجله روانپزشکی و روانشناسی بالینی ایران
تهران، دانشگاه علوم پزشکی و خدمات درمانی ایران
تلفن دانشگاه : 02166506899
تلفن ناشر : 02145355000 - 02145355555
وبسایت: http://ijpcp.iums.ac.ir
ایمیل: ijpcp@iums.ac.ir
