مقدمه
خودکشی یکی از پیچیدهترین و بحرانیترین مسائل بهداشت روان در سطح جهانی است که پیامدهای اجتماعی، اقتصادی و انسانی گستردهای به دنبال دارد [1]. سالانه بیش از 700 هزار نفر جان خود را بهدلیل خودکشی از دست میدهند و شمار زیادی دیگر دچار آسیبهای روانی و جسمی میشوند [2]. این پدیده نهتنها سلامت فردی را تهدید میکند، بلکه خانوادهها، جوامع و نظامهای بهداشتی را تحت فشار قرار میدهد و نشاندهنده ضرورت شناسایی دقیق افراد در معرض خطر و ارائه مداخلات پیشگیرانه مؤثر است [3]. عوامل خطر خودکشی چندوجهی و پیچیده هستند و شامل اختلالات روانپزشکی مانند افسردگی، اضطراب و اختلال دوقطبی، سابقه اقدام به خودکشی، بستری یا مراجعه مکرر به مراکز درمانی، فشارهای تحصیلی و شغلی، فقدان حمایت اجتماعی، بیکاری و مشکلات اقتصادی میشوند [4]. علاوهبراین، دادههای شبکههای اجتماعی نشان میدهند انزوای اجتماعی، قلدری، تجربه ناکامیها و ابراز احساسات منفی در فضای مجازی میتوانند شاخصهای هشداردهنده مهمی برای پیشبینی خودکشی باشند [5].
روشهای سنتی ارزیابی خطر خودکشی، شامل مصاحبههای بالینی و پرسشنامههای روانسنجی هستند که هرچند اطلاعات ارزشمندی ارائه میدهند، اما محدودیتهایی جدی دارند [6]. این روشها اغلب زمانبر، پرهزینه و نیازمند نیروی انسانی متخصص هستند و توانایی پیشبینی تغییرات سریع خطر در بازههای کوتاهمدت را ندارند [7]. علاوهبراین، بسیاری از افراد در معرض خطر بهدلیل انگ اجتماعی یا ترس از قضاوت، اطلاعات واقعی را ارائه نمیدهند، که این امر کارایی روشهای سنتی را محدود میکند. در این زمینه، ظهور هوش مصنوعی و الگوریتمهای یادگیری ماشین ظرفیتهای بیسابقهای برای تحلیل دادههای پیچیده و حجیم فراهم کرده است [8]. این الگوریتمها قادرند الگوهای پنهان در دادههای بالینی، متنی و شبکههای اجتماعی را شناسایی کرده و پیشبینیهای دقیقی از خطر خودکشی ارائه دهند [9].
هوش مصنوعی و یادگیری ماشین در این حوزه بهعنوان ابزار پیشبینی و شناسایی زودهنگام عمل میکنند [10]. با آموزش مدلها بر روی دادههای واقعی، این سیستمها میتوانند بیمارانی را که خطر بالای خودکشی دارند از سایر افراد متمایز کنند، حتی زمانی که این افراد علائم واضحی نشان نمیدهند [11]. همچنین، این الگوریتمها قادرند روند تغییرات رفتاری و روانی افراد را در طول زمان پایش کنند و پیشبینی کنند که احتمال وقوع رفتار خودکشی در بازههای زمانی کوتاهمدت تا متوسط چقدر است [12]. دقت پیشبینی مدلها بسته به نوع داده و پیچیدگی الگوریتم بین حدود 65 تا بیش از 95 درصد متغیر بوده است که نشان میدهد هوش مصنوعی میتواند اطلاعات عملی و کاربردی برای طراحی مداخلات بالینی، هشدارهای پیشگیرانه و برنامههای هدفمند ارائه دهد [13]. بهعبارتدیگر، یادگیری ماشین و هوش مصنوعی به کلید شناسایی افراد پرخطر و بهبود اثربخشی برنامههای پیشگیری از خودکشی تبدیل شدهاند، بدون آنکه نیاز به بررسی مستقیم و مداوم تکبهتک افراد باشد [14].
مطالعات متعدد نشان دادهاند عوامل پرخطر شناساییشده توسط الگوریتمها شامل اختلالات روانپزشکی، افسردگی و اضطراب، بستری یا مراجعه پیشین به مراکز درمانی، روش اقدام بهویژه روشهای فیزیکی، وضعیت تأهل (طلاق یا بیوگی)، تحصیلات پایین، بیکاری و مشکلات شغلی، و انزوای اجتماعی در فضای مجازی است [15، 16]. در اغلب پژوهشها، مدلهای یادگیری ماشین توانستند افراد در معرض خطر بالا را در بازه کوتاهمدت شناسایی کنند و در برخی موارد، حتی تا دو هفته پیش از وقوع اقدام به خودکشی هشدار دهند [17]. الگوریتمهای جنگل تصادفی و شبکههای عصبی عمیق، بیشترین کارایی را در دادههای بالینی و متنی نشان دادند؛ هرچند محدودیتهایی مانند نبود دادههای چندوجهی (تصویر، ویدئو و صدا)، مشکلات تعمیمپذیری بین کشورها و حساسیت پایین برخی مدلها همچنان بهعنوان چالش باقی مانده است [18، 19].
باتوجهبه افزایش فزاینده حجم دادههای دیجیتال، گسترش شبکههای اجتماعی و دسترسی روزافزون به پروندههای پزشکی الکترونیک، استفاده از فناوریهای هوش مصنوعی برای شناسایی زودهنگام و پیشگیری از خطر خودکشی به یک ضرورت علمی و عملی تبدیل شده است [20]. هوش مصنوعی و الگوریتمهای یادگیری ماشین توانایی تحلیل دادههای حجیم، پیچیده و چندوجهی را دارند و میتوانند الگوهای پنهان رفتاری، روانی و اجتماعی مرتبط با خطر خودکشی را شناسایی کنند [21]. این قابلیتها امکان پیشبینی دقیقتر افراد پرخطر، طراحی مداخلات هدفمند و ارائه ابزارهای عملی برای پایش و مدیریت بالینی را فراهم میسازد [22]. پژوهش مروری حاضر با هدف بررسی تحول در شناسایی و مدیریت خطر خودکشی از طریق الگوریتمهای یادگیری ماشین انجام شده است. این مطالعه با تحلیل جامع روشها، الگوریتمها، دادههای مورداستفاده، دقت پیشبینی و متغیرهای کلیدی، به دنبال ارائه تصویری کامل از پیشرفتها و چالشهای موجود در این حوزه است. بررسی نظاممند شواهد موجود میتواند دیدگاههای نوینی برای طراحی مدلهای دقیقتر و توسعه ابزارهای عملی در محیطهای بالینی، آموزشی و اجتماعی فراهم آورد.
مواد و روشها
پژوهش حاضر به روش مرور نظاممند و براساس دستورالعمل استاندارد گزارشدهی پریزما انجام شده است. هدف از این مطالعه، واکاوی و سنتز یافتههای پژوهشی پیرامون نقش تحولآفرین هوش مصنوعی و الگوریتمهای یادگیری ماشین در ارتقای دقت شناسایی و بهینهسازی استراتژیهای پیشگیری از خطر خودکشی بود [23]. سؤالهای پژوهش در (
جدول شماره 1) قابلمشاهده است.
راهبردهای جستوجو
در پژوهش حاضر، جستوجوی نظاممند با استفاده از کلیدواژههای تخصصی خودکشی، آسیب به خود، عوامل خطر، خودزنی، پیشگیری از خودکشی، هوش مصنوعی، یادگیری ماشین و شناسایی زودهنگام در پایگاههای اطلاعاتی انگلیسیزبان شامل گوگلاسکالر، پابمد، پروکوئست، امبیس، سایکاینفو، وبآوساینس، سیناهل و اسکوپوس در بازه زمانی ژانویه سال 2014 تا سپتامبر سال 2025 انجام شد.
در
جدول شماره 2 تمامی کلیدواژگان در پایگاههای موردنظر بررسی و ارزیابی شدند، همچنین به تفکیک جستوجوی تمامی کلیدواژگان در هر پایگاه نیز ارائه شده است.

در
جدول شماره 3، چارچوب PICOS بهعنوان مبنایی برای سازماندهی و هدایت انتخاب مطالعات در مرور نظاممند حاضر بهکار گرفته شده است.

این چارچوب با تعریف دقیق عناصر پنجگانه شامل جمعیت، مداخله، مقایسه، پیامد و طراحی مطالعه، موجب شفافسازی مراحل انتخاب، تحلیل و تفسیر یافتهها گردید. استفاده از الگوی PICOS سبب شد تمامی مطالعات منتخب براساس معیارهای علمی و قابلسنجش ارزیابی شده و فرایند مرور از انسجام روششناختی و دقت تحلیلی بیشتری برخوردار باشد.
معیارهای ورود و خروج
انتخاب مطالعات بهصورت هدفمند و براساس پروتکل استاندارد انجام شد. معیارهای ورود شامل:
1. مقالات پژوهشی اصیل که مستقیماً به کاربرد مدلهای هوش مصنوعی و یادگیری ماشین در شناسایی، غربالگری یا پیشگیری از خودکشی پرداخته بودند؛
2. مطالعاتی که دارای چارچوب ساختاریافته علمی-پژوهشی بوده و شاخصهای عملکردی مدل را گزارش کرده بودند؛
3. مقالات منتشرشده در مجلات معتبر علمی به زبان فارسی و انگلیسی.
معیارهای خروج نیز شامل:
1. مقالات مروری نظاممند و روایتی، نامهها به سردبیر، گزارشهای موردی و چکیدههای همایشی؛
2. مطالعاتی که متن کامل آنها در دسترس نبود؛
3. پژوهشهایی که فاقد متدولوژی شفاف در جمعآوری دادهها یا گزارش نتایج بودند. این سختگیری در معیارها تضمینکننده کیفیت و قابلیت اعتماد نتایج در این مرور نظاممند است.
فرآیند انتخاب مطالعات (نمودار جریان)
جریان انتخاب و غربالگری مطالعات در
تصویر شماره 1 ترسیم شده است.

در مرحله شناسایی، تعداد 751 مقاله از پایگاههای داده استخراج شد. پس از حذف موارد تکراری و غربالگری اولیه براساس عنوان و چکیده، تعداد (تعداد حذفشده) مقاله بهدلیل عدم ارتباط مستقیم با اهداف پژوهش (مثلاً تمرکز بر سایر اختلالات روانپزشکی غیر از خودکشی) کنار گذاشته شدند. در مرحله نهایی، متن کامل مقالات باقیمانده جهت ارزیابی شایستگی بررسی شد. دلیل اصلی ریزش مقالات در این گام و رسیدن به 25 مقاله نهایی، تمرکز بر کیفیت متدولوژیک و حذف مطالعاتی بود که یا متغیرهای هوش مصنوعی آنها با پروتکل تحقیق همخوانی نداشت و یا گزارش ضعیفی از شاخصهای آماری ارائه داده بودند. درنهایت، 25 مقاله که تمامی معیارهای ورود را دارا بوده و بالاترین نمرات را در ارزیابی کیفیت کسب کردند، وارد فرآیند تحلیل نهایی شدند.
ارزیابی خطر سوگیری مطالعات
برای اطمینان از دقت نتایج، ارزیابی کیفیت مطالعات با استفاده از ابزارهای استاندارد توسط دو پژوهشگر مستقل انجام شد. برای مطالعات کمی و نیمهتجربی از سیاهه ارزیابی انتقادی مؤسسه جونا بریگز (JBI) استفاده گردید که معیارهای دقیق متدولوژیک ازجمله وضوح هدف، روش نمونهگیری، اعتبار ابزارها، کنترل عوامل مخدوشکننده و تناسب تحلیلهای آماری را مورد سنجش قرار میدهد. در مطالعات مشاهدهای، شاخصهای ساختار استروب برای اطمینان از کیفیت گزارشدهی (مانند شفافیت در بیان طراحی مطالعه و گزارش فاصله اطمینان) ملاک عمل قرار گرفت. همچنین برای مطالعات کیفی، از سیاهه مهارتهای ارزیابی انتقادی (CASP) جهت بررسی ابعادی نظیر اعتبار، قابلیت انتقال و نقش بازتابندگی پژوهشگر استفاده شد. خطر سوگیری نیز در مطالعات تجربی براساس معیارهایی همچون تصادفیسازی، پنهانسازی تخصیص و کورسازی ارزیابی گردید. در صورت بروز اختلافنظر میان ارزیابان، از طریق گفتوگو و اجماع یا نظر پژوهشگر سوم، تصمیمگیری نهایی انجام شد. تنها مطالعاتی که امتیاز کیفی لازم را کسب کرده بودند در سنتز نهایی باقی ماندند.
شاخصهای اندازهگیری اثر مداخلات
بهمنظور ارزیابی اثربخشی مداخلات مبتنی بر هوش مصنوعی و یادگیری ماشین، از ترکیبی از شاخصهای کمی و کیفی استفاده شد. در پژوهشهای کمی، شاخصهایی همچون دقت، ویژگی، حساسیت، سطح زیر منحنی (AUC)، مقادیر پیشبینی مثبت و منفی، تفاوت میانگینها و اندازه اثر بررسی گردید. در مطالعات کیفی نیز تحلیل مضمون، نظر و رأی مشارکتکنندگان، و تغییرات رفتاری یا شناختی بهعنوان معیارهای اثر مورد توجه قرار گرفتند. بهمنظور تضمین یکپارچگی، قابلیت مقایسه و بازتولید نتایج، تمامی دادهها و شاخصهای اثر در قالب یک فرم استاندارد استخراج دادهها ثبت و سازماندهی شدند.
ارزیابی کیفیت مقالات
فرآیند انتخاب مطالعات براساس استانداردهای گزارشدهی مرورهای نظاممند انجام شد که جزئیات آن در نمودار جریانی 1 (
تصویر شماره 1) مشاهده میشود. در مرحله نخست، تعداد 751 مقاله از طریق جستوجوی نظاممند در پایگاههای اطلاعاتی منتخب شناسایی شدند. فرآیند غربالگری و رسیدن به 25 مقاله نهایی طی گامهای زیر و با دقت متدولوژیک طی شد:
حذف موارد تکراری و غربالگری اولیه
پس از حذف مقالات تکراری، عناوین و چکیده 751 مقاله توسط دو پژوهشگر بهصورت مستقل بررسی گردید. در این مرحله، مقالاتی که بهطور مستقیم به «پیشگیری از خودکشی» نپرداخته بودند، یا از «هوش مصنوعی و یادگیری ماشین» بهعنوان ابزار اصلی استفاده نکرده بودند، کنار گذاشته شدند.
ارزیابی متن کامل و علت ریزش
پس از غربالگری اولیه، متن کامل مقالات باقیمانده مورد واکاوی قرار گرفت. علت اصلی کاهش قابلتوجه مقالات و رسیدن به 25 مورد نهایی، اعمال معیارهای ورود سختگیرانه بود؛ بسیاری از مطالعات اولیه تنها به مبانی تئوریک هوش مصنوعی پرداخته بودند یا فاقد دادههای تجربی و شاخصهای آماری دقیق (مانند دقت و حساسیت مدل) برای ارزیابی اثر بودند. همچنین، مقالاتی که از نظر ساختار علمی-پژوهشی فاقد اعتبار کافی بوده یا صرفاً بهصورت گزارشهای موردی و نامه به سردبیر بودند، از چرخه تحلیل حذف شدند.
ارزیابی نقادانه
در نهایت، برای اطمینان از کیفیت محتوایی 25 مقاله منتخب، ارزیابی کیفیت با استفاده از ابزارهای استاندارد متناسب با نوع طراحی هر پژوهش انجام شد.
برای مطالعات کمی و نیمهتجربی از چکلیستهای JBI استفاده گردید. این ابزار به ما اجازه داد مواردی نظیر وضوح هدف، روش نمونهگیری، اعتبار و پایایی ابزارهای اندازهگیری، تعریف دقیق متغیرهای مواجهه و پیامد، و تناسب روشهای آماری را بهصورت نمرهدهیشده بررسی کنیم. در مطالعات مشاهدهای تحلیلی، علاوهبراین معیارها، چارچوب STROBE برای بررسی کیفیت گزارشدهی مورد توجه قرار گرفت که شامل شفافیت در بیان طراحی مطالعه، توضیح کامل روشهای انتخاب نمونه، نحوه کنترل سوگیریها و گزارش کامل تحلیلهای آماری با شاخصهایی مانند فاصله اطمینان است [24]. برای مطالعات کیفی نیز از چکلیست CASP استفاده شد که جنبههای کلیدی مانند تناسب رویکرد روششناختی با سؤال تحقیق، شفافیت در روش تحلیل دادهها، مراحل کدگذاری و بازتابندگی پژوهشگر را بررسی میکند. تنها مطالعاتی که در این ارزیابیها امتیاز کیفی (بالا یا متوسط) را کسب کردند، وارد مرحله سنتز نهایی شدند تا از سوگیری در نتایج جلوگیری شود [25].
استخراج اطلاعات
پس از طی مراحل فوق، دادههای مربوط به 25 مقاله نهایی که از فیلترهای دقیق محتوایی و متدولوژیک عبور کرده بودند، در فرمهای تحلیل محتوا وارد شدند. هریک از پژوهشگران بهطور مستقل محتوای این مقالات را مطالعه و دادههای مرتبط با «تحول در شناسایی و پیشگیری از خطر خودکشی با بهرهگیری از هوش مصنوعی» را استخراج کردند. برای رفع هرگونه اختلافنظر در این مرحله، بر معیارهای ورود و خروج تأکید شد تا صرفاً دادههای متقن و همراستا با اهداف اصلی پژوهش در تحلیل نهایی لحاظ گردند. مطابق با نمودار جریانی 1، این فرآیند از شناسایی اولیه تا انتخاب نهایی، تضمینکننده جامعیت و اعتبار علمی مرور حاضر است.
یافتهها
در این پژوهش، 25 مقاله پژوهشی واجد شرایط به زبان انگلیسی مورد بررسی قرار گرفتند. در ادامه، یافتههای حاصل از مقالات مرورشده در زمینه تحول در شناسایی و پیشگیری از خطر خودکشی با بهرهگیری از هوش مصنوعی و یادگیری ماشین ارائه شده است (
جدول شماره 4).

در این مرور نظاممند، 25 مطالعه با جمعیتهای متنوع شامل کاربران شبکههای اجتماعی، بیماران بستری و سرپایی، و دادههای ملی ثبت خودکشی در کشورهای مختلف بررسی شد. مطالعات مرورشده نشان دادند دادههای بسیار متنوعی برای پیشبینی افکار و رفتارهای خودکشی مورد استفاده قرار گرفته است؛ از شبکههای اجتماعی نظیر توییتر، ردیت و فیسبوک و پیامهای متنی گرفته تا سوابق بالینی الکترونیک، یادداشتهای روانپزشکی و سامانههای ثبت خودکشی در بیمارستانها. این پژوهشها در کشورهای مختلفی همچون ایالات متحده آمریکا، کانادا، دانمارک، تایوان، بنگلادش، عربستان و ایران انجام شده و حجم دادهها بسیار متفاوت بوده است؛ بهطوری که برخی مطالعات تنها چند صد پیام یا بیمار را بررسی کردهاند، درحالیکه برخی دیگر میلیونها رکورد از پایگاههای داده ملی را به کار گرفتهاند. ازنظر روششناسی، طیفی گسترده از الگوریتمهای یادگیری ماشین و یادگیری عمیق به کار رفته است. در کنار الگوریتمهای کلاسیک مانند رگرسیون لجستیک، جنگل تصادفی، درخت تصمیم و تقویت گرادیان افراطی (XGBoost)، مدلهای پیشرفتهتری همچون شبکه عصبی پیچشی–حافظه دوسویه بلندکوتاهمدت (CNN-BiLSTM)، حافظه دوسویه بلندکوتاهمدت (BiLSTM)، حافظه بلند کوتاهمدت (LSTM) و شبکههای عصبی عمیق با چندین لایه کاملاً متصل نیز مورد استفاده قرار گرفتهاند. برخی پژوهشها بر پردازش زبان طبیعی برای تحلیل محتوای متنی تمرکز داشتهاند، درحالیکه سایر مطالعات متغیرهای بالینی نظیر سن، جنس، شغل، سابقه بستری و روش اقدام را بررسی کردهاند. دقت این مدلها بسته به نوع داده و الگوریتم بین حدود 65 درصد در مطالعات اولیه تا بیش از 95 درصد در مدلهای عمیقتر گزارش شده است.
نتایج نشان داد عوامل پرخطر شامل اختلالات روانپزشکی، افسردگی و اضطراب، بستری یا مراجعه قبلی به مراکز درمانی، روش اقدام بهویژه روشهای فیزیکی، وضعیت تأهل (طلاق یا بیوگی)، سطح تحصیلات پایین، بیکاری یا مشکلات شغلی و همچنین احساس ناامیدی یا انزوای اجتماعی در فضای مجازی هستند. در اغلب پژوهشها، مدلهای یادگیری ماشین توانستند افراد در معرض خطر بالا را در بازهای کوتاهمدت شناسایی کنند؛ گاه حتی تا دو هفته پیش از وقوع اقدام به خودکشی. بهطورکلی، الگوریتمهای جنگل تصادفی و شبکههای عصبی عمیق بالاترین کارایی را در دادههای بالینی و متنی داشتند، هرچند محدودیتهایی مانند فقدان دادههای چندوجهی (تصویر، ویدئو و صدا)، مشکلات تعمیمپذیری بین کشورها و حساسیت پایین برخی مدلها همچنان بهعنوان چالش باقی مانده است.
بحث
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. نتایج بهدست آمده نشان میدهد هوش مصنوعی و الگوریتمهای یادگیری ماشین تحول قابلتوجهی در شناسایی و پیشگیری از خطر خودکشی ایجاد کردهاند. دادههای مورداستفاده در این مطالعات طیف گستردهای داشته و شامل پیامهای متنی، پستهای شبکههای اجتماعی (توییتر، ردیت، فیسبوک)، یادداشتهای روانپزشکی، پروندههای بالینی الکترونیک و سامانههای ثبت خودکشی در بیمارستانها بوده است. این تنوع دادهها امکان تحلیل چندوجهی عوامل خطر و شناسایی الگوهای رفتاری پیچیده مرتبط با خودکشی را فراهم کرده است [11]. در مطالعات با حجم نمونههای گسترده (از چند صد تا میلیونها رکورد)، الگوریتمها توانستند ارتباط بین شاخصهای بالینی، روانی و اجتماعی و وقوع خودکشی را تشخیص دهند، که این امر نشاندهنده توان بالقوه هوش مصنوعی در تحلیل دادههای واقعی و پیچیده بالینی است [9].
ازمنظر روششناسی، ترکیب الگوریتمهای کلاسیک یادگیری ماشین مانند رگرسیون لجستیک، درخت تصمیم، XGBoost و جنگل تصادفی با مدلهای پیشرفته یادگیری عمیق شامل شبکههای عصبی چندلایه، LSTM، BiLSTM و CNN-BiLSTM، به پژوهشگران امکان داده است دادههای چندبعدی و غیرساختاریافته را به شیوهای نظاممند تحلیل کنند [20]. استفاده از پردازش زبان طبیعی بهویژه در تحلیل محتوای متنی شبکههای اجتماعی و پیامهای بیماران، الگوهای رفتاری و شاخصهای روانی-اجتماعی مرتبط با خودکشی را شناسایی کرده است [6]. این رویکرد به تشخیص نشانههای اولیه خطر و درک فرآیندهای روانشناختی پشت افکار و رفتار خودکشی کمک میکند. دقت پیشبینی مدلها بسته به پیچیدگی الگوریتم و کیفیت دادهها بین 65 تا بیش از 95 درصد متغیر بوده است، که نشاندهنده قابلیت کاربرد عملی این فناوریها برای پایش و مداخلات بالینی است [15].
عوامل پرخطر شناساییشده در بیشتر مطالعات شامل اختلالات روانپزشکی، افسردگی و اضطراب، سابقه بستری یا مراجعه به مراکز درمانی، روش اقدام بهویژه روشهای فیزیکی، وضعیت تأهل (طلاق یا بیوگی)، سطح تحصیلات پایین، بیکاری و مشکلات شغلی و انزوای اجتماعی بودند [19]. این عوامل نهتنها در دادههای بالینی بلکه در تحلیل رفتارهای آنلاین نیز قابلشناسایی هستند و نشان میدهند شناسایی خطر خودکشی نیازمند تحلیل همزمان متغیرهای بالینی، روانی و اجتماعی است. یادگیری ماشین امکان استخراج روابط پیچیده بین این عوامل را فراهم میکند، روابطی که ممکن است در تحلیل سنتی و آماری ساده قابلمشاهده نباشند [30].
بهاینترتیب، الگوریتمها میتوانند افراد پرخطر را پیش از وقوع اقدام شناسایی کنند و فرصتهای مداخله زودهنگام را فراهم سازند. با وجود پیشرفتها، محدودیتهایی نیز در این حوزه مشاهده شده است [17]. فقدان دادههای چندوجهی شامل ویدئو، تصویر و صوت، چالشهای تعمیمپذیری الگوریتمها در فرهنگها و جمعیتهای مختلف و حساسیت پایین برخی مدلها، موانع عمده برای کاربرد کامل هوش مصنوعی محسوب میشوند.
علاوهبراین، صرف پیشبینی کافی نیست و نتایج باید به شکل قابلفهم و عملی برای متخصصان بالینی ارائه شود تا تصمیمگیری درمانی بهبود یابد. ترکیب مدلهای پیشبینی با دانش بالینی و بازخورد متخصصان سلامت روان، همچنین آموزش و طراحی جریانهای کاری مناسب، برای اثرگذاری واقعی این فناوریها ضروری است [32].
درنهایت، مرور حاضر نشان داد هوش مصنوعی و الگوریتمهای یادگیری ماشین، بهویژه جنگل تصادفی و شبکههای عصبی عمیق، ابزارهای قدرتمندی برای پیشبینی، پایش و مدیریت خطر خودکشی هستند [7]. این الگوریتمها قادرند با تحلیل دادههای چندوجهی شامل سوابق بالینی، یادداشتهای روانپزشکی، پیامهای متنی و محتوای شبکههای اجتماعی، الگوهای پیچیده بالینی، روانی و رفتاری مرتبط با خودکشی را شناسایی کرده و پیشبینی زودهنگام را ممکن سازند. بهکارگیری مدلهای پردازش زبان طبیعی امکان استخراج شاخصهای هیجانی و اجتماعی، نظیر افسردگی، اضطراب، انزوا و احساس ناامیدی را فراهم میکند و طراحی مداخلات پیشگیرانه شخصیسازیشده را تسهیل میکند [12]. توسعه پایگاههای داده استاندارد، بهبود کیفیت دادهها و استفاده از تحلیلهای چندوجهی میتواند دقت پیشبینی را افزایش داده و مسیر تحقیقات آینده و کاربردهای بالینی گسترده را هموار سازد. بهاینترتیب، هوش مصنوعی نهتنها بهعنوان ابزار پیشبینی بلکه بهعنوان دستیار عملی در تصمیمگیری بالینی، مدیریت منابع سلامت روان و سیاستگذاری مؤثر در پیشگیری از خودکشی قابلاستفاده است و پتانسیل تحول بنیادین در سلامت روان جمعیتها را داراست [30].
نتیجهگیری
درمجموع، شواهد حاصل از مرور نظاممند مطالعات نشان میدهد هوش مصنوعی و الگوریتمهای یادگیری ماشین، ظرفیت قابلتوجهی در شناسایی و پیشگیری از خطر خودکشی دارند و میتوانند با تحلیل دادههای بالینی، یادداشتهای روانپزشکی، پیامهای متنی و محتوای شبکههای اجتماعی، الگوهای پیچیده رفتاری، روانشناختی و اجتماعی مرتبط با خودکشی را استخراج کنند. الگوریتمهایی مانند جنگل تصادفی و شبکههای عصبی عمیق، بهدلیل توانایی پردازش دادههای چندوجهی و غیرساختیافته، بالاترین دقت پیشبینی را ارائه کرده و امکان طراحی مداخلات هدفمند و زمانمند را فراهم آوردهاند. مدلهای پردازش زبان طبیعی نیز شاخصهای هیجانی و رفتاری مرتبط با افسردگی، اضطراب، انزوای اجتماعی و ناامیدی را شناسایی کرده و ابزار عملی برای پایش مستمر و پیشبینی زودهنگام خطر فراهم میآورند. با وجود محدودیتهایی مانند فقدان دادههای چندرسانهای، تفاوتهای فرهنگی و جمعیتی و حساسیت پایین برخی مدلها، این فناوریها امکان اولویتبندی مداخلات بالینی، مدیریت منابع سلامت روان و کاهش مرگومیر ناشی از خودکشی را فراهم میکنند و زمینهساز توسعه سیستمهای هوشمند پیشبینی و پایش خودکشی در سطح فردی و جمعیتی هستند.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این پژوهش تنها شامل مرور نظاممند مقالات منتشرشده است و دادههای انسانی بهصورت مستقیم جمعآوری نشده است. بنابراین، نیازی به اخذ تأیید اخلاقی از کمیته اخلاق پژوهش نبود. بااینحال، تمام مطالعات موردبررسی دارای مجوزهای اخلاقی لازم و رعایت اصول اخلاقی مرتبط با تحقیق بر روی دادههای انسانی بودهاند.
حامی مالی
این پژوهش هیچگونه کمک مالی از سازمانیهای دولتی، خصوصی و غیرانتفاعی دریافت نکرده است.
مشارکت نویسندگان
همه نویسندگان بهطور یکسان در مفهوم و طراحی مطالعه، جمعآوری و تجزیهوتحلیل دادهها، تفسیر نتایج و تهیه پیشنویس مقاله مشارکت داشتند.
تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
References
- Chipalo E, Jeong H. The prevalence and association of adverse childhood experiences with suicide risk behaviors among adolescents and youth in Zimbabwe. Child and Adolescent Social Work Journal. 2025; 42(2):163-77. [DOI:10.1007/s10560-023-00958-5]
- Chang Q, Shi Y, Yao S, Ban X, Cai Z. Prevalence of suicidal ideation, suicide plans, and suicide attempts among children and adolescents under 18 years of age in mainland China: A systematic review and meta-analysis. Trauma, Violence, & Abuse. 2024; 25(3):2090-102. [DOI:10.1177/15248380231205828] [PMID]
- Arendt F, Till B, Gutsch A, Niederkrotenthaler T. Social media influencers and the Papageno effect: Experimental evidence for the suicide-preventive impact of social media posts on hope, healing, and recovery. Social Science & Medicine. 2025; 370:117852. [DOI:10.1016/j.socscimed.2025.117852] [PMID]
- Saini P, Hunt A, Blaney P, Murray A. Recognising and responding to suicide-risk factors in primary care: A scoping review. Journal of Prevention. 2024; 45(5):727-50. [DOI:10.1007/s10935-024-00783-1] [PMID]
- Bagheri Sheykhangafshe F, Tajbakhsh K, Pour Saeid V, Gharibi Loroun S, Shah Hosseini M. Effectiveness of Artificial Intelligence Interventions in the Treatment of Psychological Disorders: A Systematic Review. Journal of Research and Health. 2025; 15(6):705-22. [DOI:10.32598/JRH.15.SP.1922.6]
- Gaur V, Maggu G, Bairwa K, Chaudhury S, Dhamija S, Ali T. Artificial intelligence in suicide prevention: Utilizing deep learning approach for early detection. Industrial Psychiatry Journal. 2024; 33(2):226-33. [DOI:10.4103/ipj.ipj_20_24] [PMID]
- Parsapoor Mah Parsa M, Koudys JW, Ruocco AC. Suicide risk detection using artificial intelligence: the promise of creating a benchmark dataset for research on the detection of suicide risk. Frontiers in Psychiatry. 2023; 14:1186569. [DOI:10.3389/fpsyt.2023.1186569] [PMID]
- Tang H, Miri Rekavandi A, Rooprai D, Dwivedi G, Sanfilippo FM, Boussaid F, et al. Analysis and evaluation of explainable artificial intelligence on suicide risk assessment. Scientific Reports. 2024; 14(1):6163. [DOI:10.1038/s41598-024-53426-0] [PMID]
- Brown LA, Benhamou K, May AM, Mu W, Berk R. Machine learning algorithms in suicide prevention: Clinician interpretations as barriers to implementation. The Journal of Clinical Psychiatry. 2020; 81(3):19m12970. [DOI:10.4088/JCP.19m12970] [PMID]
- Roy A, Nikolitch K, McGinn R, Jinah S, Klement W, Kaminsky ZA. A machine learning approach predicts future risk to suicidal ideation from social media data. NPJ Digital Medicine. 2020; 3:78. [DOI:10.1038/s41746-020-0287-6] [PMID]
- Wilimitis D, Turer RW, Ripperger M, McCoy AB, Sperry SH, Fielstein EM, et al. Integration of face-to-face screening with real-time machine learning to predict risk of suicide among adults. JAMA Network Open. 2022; 5(5):e2212095. [DOI:10.1001/jamanetworkopen.2022.12095] [PMID]
- Allam H, Davison C, Kalota F, Lazaros E, Hua D. AI-Driven Mental Health Surveillance: Identifying Suicidal Ideation Through Machine Learning Techniques. Big Data and Cognitive Computing. 2025; 9(1):16. [DOI:10.3390/bdcc9010016]
- Ryu S, Lee H, Lee DK, Kim SW, Kim CE. Detection of suicide attempters among suicide ideators using machine learning. Psychiatry Investigation. 2019; 16(8):588-93. [DOI:10.30773/pi.2019.06.19] [PMID]
- Lim JS, Yang CM, Baek JW, Lee SY, Kim BN. Prediction models for suicide attempts among adolescents using machine learning techniques. Clinical Psychopharmacology and Neuroscience. 2022; 20(4):609-20. [DOI:10.9758/cpn.2022.20.4.609] [PMID]
- Bentley KH, Zuromski KL, Fortgang RG, Madsen EM, Kessler D, Lee H, et al. Implementing machine learning models for suicide risk prediction in clinical practice: focus group study with hospital providers. JMIR Formative Research. 2022; 6(3):e30946. [DOI:10.2196/30946] [PMID]
- Aldhyani TH, Alsubari SN, Alshebami AS, Alkahtani H, Ahmed ZAT. Detecting and analyzing suicidal ideation on social media using deep learning and machine learning models. International Journal of Environmental Research and Public Health. 2022; 19(19):12635. [DOI:10.3390/ijerph191912635] [PMID]
- Walsh CG, Ribeiro JD, Franklin JC. Predicting suicide attempts in adolescents with longitudinal clinical data and machine learning. Journal of Child Psychology and Psychiatry. 2018; 59(12):1261-70. [DOI:10.1111/jcpp.12916] [PMID]
- Su Z, Jiang H, Yang Y, Hou X, Su Y, Yang L. Acoustic Features for Identifying Suicide Risk in Crisis Hotline Callers: Machine Learning Approach. Journal of Medical Internet Research. 2025; 27:e67772. [DOI:10.2196/67772] [PMID]
- Haroz EE, Grubin F, Goklish N, Pioche S, Cwik M, Barlow A, et al. Designing a clinical decision support tool that leverages machine learning for suicide risk prediction: Development study in partnership with Native American care providers. JMIR Public Health and Surveillance. 2021; 7(9):e24377. [DOI:10.2196/24377] [PMID]
- DelPozo-Banos M, John A, Petkov N, Berridge DM, Southern K, LLoyd K, et al. Using neural networks with routine health records to identify suicide risk: Feasibility study. JMIR Mental Health. 2018; 5(2):e10144. [DOI:10.2196/10144] [PMID]
- Haque R, Islam N, Islam M, Ahsan MM. A comparative analysis on suicidal ideation detection using NLP, machine, and deep learning. Technologies. 2022; 10(3):57. [DOI:10.3390/technologies10030057]
- Gradus JL, Rosellini AJ, Horváth-Puhó E, Street AE, Galatzer-Levy I, Jiang T, et al. Prediction of sex-specific suicide risk using machine learning and single-payer health care registry data from Denmark. JAMA Psychiatry. 2020; 77(1):25-34. [DOI:10.1001/jamapsychiatry.2019.2905] [PMID]
- Farid A, Ghanbari Viki M, Mosleh SQ. [Relationship Between Perfectionism and Exam Anxiety in Iranian Students: A Systematic Review and Meta-analysis (Persian)]. Iranian Journal of Psychiatry and Clinical Psychology. 2025; 31:5148.1. [DOI: 10.32598/ijpcp.31.5184.1]
- von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP; et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. PLoS Medicine. 2007; 4(10):e296. [DOI:10.1371/journal.pmed.0040296] [PMID]
- Long HA, French DP, Brooks JM. Optimising the value of the critical appraisal skills programme (CASP) tool for quality appraisal in qualitative evidence synthesis. Research Methods in Medicine & Health Sciences. 2020; 1(1):31‑42. [DOI:10.1177/2632084320947559]
- Bhandarkar AR, Arya N, Lin KK, North F, Duvall MJ, Miller NE, et al. Building a natural language processing artificial intelligence to predict suicide-related events based on patient portal message data. Mayo Clinic Proceedings. Digital Health. 2023; 1(4):510-8. [DOI:10.1016/j.mcpdig.2023.09.001] [PMID]
- Kaminsky Z, McQuaid RJ, Hellemans KG, Patterson ZR, Saad M, Gabrys RL, et al. Machine Learning-Based Suicide Risk Prediction Model for Suicidal Trajectory on Social Media Following Suicidal Mentions: Independent Algorithm Validation. Journal of Medical Internet Research. 2024; 26:e49927. [DOI:10.2196/49927] [PMID]
- Wu EL, Wu CY, Lee MB, Chu KC, Huang MS. Development of Internet suicide message identification and the Monitoring-Tracking-Rescuing model in Taiwan. Journal of Affective Disorders. 2023; 320:37-41. [DOI:10.1016/j.jad.2022.09.090] [PMID]
- Morales S, Barros J, Echávarri O, García F, Osses A, Moya C, et al. Acute mental discomfort associated with suicide behavior in a clinical sample of patients with affective disorders: Ascertaining critical variables using artificial intelligence tools. Frontiers in Psychiatry. 2017; 8:7. [DOI:10.3389/fpsyt.2017.00007] [PMID]
- Bazrafshan M, Sayehmiri K. Predicting suicidal behavior outcomes: An analysis of key factors and machine learning models. BMC Psychiatry. 2024; 24(1):841. [DOI:10.1186/s12888-024-06273-2] [PMID]
- Kessler RC, Hwang I, Hoffmire CA, McCarthy JF, Petukhova MV, Rosellini AJ, et al. Developing a practical suicide risk prediction model for targeting high-risk patients in the Veterans Health Administration. International Journal of Methods in Psychiatric Research. 2017; 26(3):e1575. [DOI:10.1002/mpr.1575] [PMID]
- Poulin C, Shiner B, Thompson P, Vepstas L, Young-Xu Y, Goertzel B, et al. Predicting the risk of suicide by analyzing the text of clinical notes. Plos One. 2014; 9(1):e85733. [DOI:10.1371/journal.pone.0085733] [PMID]
- Rabani ST, Khan QR, Khanday AM. Detection of suicidal ideation on Twitter using machine learning & ensemble approaches. Baghdad Science Journal. 2020; 17(4):1328. [DOI:10.21123/bsj.2020.17.4.1328]