Iranian Journal of Psychiatry and Clinical Psychology

fa تحول در شناسایی و پیشگیری از خطر خودکشی با استفاده از هوش مصنوعی و یادگیری ماشین: مرور نظام‌مند Transforming Suicide Risk Detection and Prevention through Artificial Intelligence and Machine Learning: A Systematic Review روانپزشکی و روانشناسی Psychiatry and Psychology مروري Rewie اهداف: با توجه به رشد روزافزون استفاده از داده‌های دیجیتال و ابزارهای محاسباتی در حوزه سلامت روان، ضرورت مرور شواهد موجود در زمینه بهره‌گیری از فناوری‌های نوین بیش از پیش 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 روشها: از طریق مطالعه مروری نظام‌مند، کلیه مقالات منتخب بر اساس کلمات کلیدی مرتبط در پایگاه‌های اطلاعاتی گوگل اسکالر، پاب‌مد، پروکوئست، امبیس، سایک‌اینفو، وب آو ساینس، سیناهل و اسکوپوس در بازه زمانی ژانویه 2014 تا سپتامبر ۲۰۲۵ توسط نویسندگان پژوهش جمع‌آوری و ارزیابی شدند. در مجموع، 751 مقاله منتشرشده به زبان انگلیسی مطابق با معیارهای ورود مشخص و با استفاده از چک‌لیست استاندارد ارزیابی کیفیت، بر اساس راهنمای PRISMA گزارش‌دهی شدند. پس از انجام ارزیابی کیفی جامع، 25 مقاله منتخب که از بالاترین کیفیت برخوردار بودند، مورد مطالعه قرار گرفتند. یافته‌ها: داده‌های مورد استفاده 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، 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. نتیجه‌گیری: 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.    Objectives: Given the rapid growth of digital data and computational tools in mental health, there is an increasing need to systematically review the current evidence on the use of advanced technologies. This review aimed to examine the evolution of suicide risk identification and prevention through the application of artificial intelligence (AI) and machine learning (ML) algorithms. Methods: A systematic review was conducted by retrieving relevant articles from Google Scholar, PubMed, ProQuest, EMBASE, PsycINFO, Web of Science, CINAHL, and Scopus, covering the period from January 2014 to September 2025. In total, 751 articles published in English were identified according to the predefined inclusion criteria and were reported in accordance with the PRISMA guidelines. Following a comprehensive quality appraisal using a standardized checklist, 25 studies with the highest methodological quality were selected for final inclusion and detailed analysis. Results: The studies utilized diverse data sources, including text messages, social media platforms, electronic health records, and psychiatric clinical notes, with sample sizes ranging from a few hundred to several million records. AI and ML approaches applied included logistic regression, random forest, decision trees, XGBoost, and deep neural networks, with prediction accuracies ranging from 65% to over 95%. Key risk factors identified across studies included psychiatric disorders, depression, method of attempt, marital status, low education, unemployment, and social isolation. Random forest and deep neural networks consistently demonstrated the highest predictive performance. Conclusion: AI and ML algorithms can detect complex patterns of suicide risk in both clinical and social media data, enabling early prediction and timely intervention. Random forest and deep neural network models provided the highest accuracy and practical tools for designing effective preventive strategies. خودکشی, آسیب به خود, پیشگیری از خودکشی, هوش مصنوعی, یادگیری ماشین Suicide, Self-harm, Suicide prevention, Artificial intelligence, Machine learning 0 0 http://ijpcp.iums.ac.ir/browse.php?a_code=A-10-3755-2&slc_lang=fa&sid=1 Farzin Bagheri Sheykhangafshe فرزین باقری شیخانگفشه farzinbagheri73@gmail.com 1800319475328460031785 1800319475328460031785 Yes Ph.D., Department of Psychology, Faculty of Humanities, Tarbiat Modares University, Tehran, Iran دکتری تخصصی روان‌شناسی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران Khazar Tajbakhsh خزر تاج بخش k.tajbakhsh@campus.unimib.it 1800319475328460031786 1800319475328460031786 No Master's Student, Department of Psychology, University of Milano-Bicocca, Milan, Italy دانشجوی کارشناسی ارشد، گروه روان‌شناسی، دانشگاه میلان-بیکوکا، میلان، ایتالیا. Vahid Savabi Niri وحید صوابی نیری v.savabi@gmail.com 1800319475328460031787 1800319475328460031787 No Masters, Department of Clinical Psychology, Faculty of Humanities, Islamic Azad University, Ardabil Branch, Ardabil, Iran کارشناسی ارشد، گروه روان‌شناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، واحد اردبیل، اردبیل، ایران Fatemeh Ramezanpour M ermeti فاطمه رمضانپور مرمتی f.ramzanpour.psy@gmail.com 1800319475328460031788 1800319475328460031788 No Master's, Department of Clinical Psychology, Faculty of Humanities, Islamic Azad University, Sari Branch, Sari, Iran کارشناسی ارشد، گروه روان‌شناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، واحد ساری، ساری، ایران Seyedeh Atousa Afsarpour آتوسا افسرپور a.afsarpour67@gmail.com 1800319475328460031789 1800319475328460031789 No Master's, Department of Positive Islamic Psychology, Payame Noor University, Behshahr Branch, Behshahr, Iran کارشناسی ارشد، گروه روانشناسی اسلامی مثبت گرا، دانشگاه پیام نور، واحد بهشهر، بهشهر، ایران.