دانلود ترجمه مقاله پیش‌بینی و مقایسه سلامت روانی در طول COVID-19 با استفاده از الگوریتم های یادگیری ماشینی (ساینس دایرکت – الزویر ۲۰۲۳)

پیش‌بینی و مقایسه سلامت روانی در طول COVID-19 در میان جمعیت هندی و مراقبه گران راجیوگا با استفاده از الگوریتم های یادگیری ماشینی

Prediction and comparison of psychological health during COVID-19 among Indian population and Rajyoga meditators using machine learning algorithms

چکیده
۱ مقدمه
۲ سیستم های پیش بینی مبتنی بر یادگیری ماشینی
۳ روش شناسی
۴ نتایج
۵ نتیجه گیری
منابع

چکیده
یکی از نگرانی های مهم در سرتاسر نقاط دنیا فراهم کردن مراقبت سلامت روان برای افرادی است که از اختلالات روانی رنج می برند. روان شناسی دیجیتال تاثیرات مثبتی زیادی در طول همه گیری ویروس کووید-۱۹ به دنبال داشته است. برای مثال، روان شناسی دیجیتال میتواند افت سلامت روانی افراد و بروز مشکلات شدید مرتبط با بهداشت روانی را در مراحل اولیه پیش بینی و شناسایی کند. در نتیجه، در این مطالعه به دنبال شناسایی کردن افرادی هستیم که احتمال بروز مشکلات روانی در بین آن ها در طول دوران همه گیری بالاتر است. در راستای دست یابی به این هدف، در مطالعه خود برداشت های افراد مراقبه کننده راجا یوگا در مورد تاثیرات روانی دوران همه گیری و همچنین سطوح اضطراب، استرس و افسردگی آن ها را با دیگر افراد جامعه، مقایسه خواهیم کرد. علاوه براین، در این مطالعه با بهره گرفتن از الگوریتم های یادگیری ماشینی و داده نظرسنجی های آنلاین اجرا شده در بین افراد مراقبه کننده راجا یوگا و جمعیت عمومی تلاش میکنیم که اختلال های سلامت روان از جمله استرس، اضطراب و افسردگی را پیش بینی کنیم. در این مطالعه ما از الگوریتم های درخت تصمیم، جنگل تصادفی، بیز ساده، بردار پشتیبانی و همچنین الگوریتم k-نزدیک ترین همسایه برای پیش بینی کردن استفاده کردیم، زیرا این الگوریتم ها دقت بالاتری در پیش بینی اختلالات روانی به نمایش گذاشته اند. در بین این الگوریتم ها مشاهده کردیم که الگوریتم بردار پشتیبانی بالاترین دقت را برای داده ما تولید می کند. علاوه براین، الگوریتم بردار پشتیبانی بالاترین نمره F1 را نیز تولید کرده است. 

۲- سیستم های پیش بینی مبتنی بر یادگیری ماشینی
در این بخش در مورد نحوه کاربرد تکنیک های یادگیری ماشینی هوش مصنوعی در سیستم های بهداشت، بحث خواهیم کرد. این سیستم های پیش بینی برای تشخیص بیماری و ارزیابی بهداشت روان خلق شده اند.

۱-۲ پیش بینی بیماری
ژونگ و شیائو با بهره برداری از الگوریتم های یادگیری عمیق و گره همجوشی اصلاح شده توانستند یک سیستم ایده آل برای بهبود پیش بینی سلامت روان خلق کنند [۱۵]. گره همجوشی در واقع الگویی برای ترکیب کردن اطلاعات در راستای خلق سیستم های پیش بینی بیماری و سلامت روان است. در صورتی که ما از یادگیری عمیق در کنار گره های همجوشی استفاده کنیم، می توان پیش بینی های دقیق بر مبنای حجم بزرگی از داده های سلامت تولید کرد. دقت مدل همجوشی پیشنهاد شده در تشخیص بیماری های مختلف تقریبا برابر با ۷۳٫۲۱ درصد خواهد بود.

آمبیگا و همکارانش سیستم هوشمند پیش بینی سلامت را خلق کردند که عیب های سیستم قبلی را بر طرف می کند [۱۶]. این سیستم یک معاینه پایه بر روی بیمار انجام می دهد و سپس بیماری های احتمالی در افراد را حدس می زند. این سیستم هوشمند در ابتدا سوالاتی در مورد علائم بیمار می پرسد. در صورتی که این سیستم بتواند بیماری فرد را صحیح تشخیص دهد، در ادامه یکی از دکترهای در دسترس در نزدیکی محل سکونت بیمار را پیشنهاد خواهد کرد. در صورتی که سیستم توانایی تشخیص مشکل فرد را نداشته باشد، مجموعه ای از سوالات را از بیمار می پرسد و سپس انجام آزمایش را پیشنهاد خواهد کرد. این سیستم در نهایت نتیجه تشخیص خود را بر مبنای مجموعه ای از داده های جمع آوری شده در گذشته ، ارائه خواهد کرد. سیستم هوشمند پیش بینی سلامت بر مبنای پایگاه داده اسناد پزشکی چندین بیمار عمل می کند. آقای داهیواد و همکارانش تکنیکی برای برای پیش بینی کردن بیماری ها بر اساس علائم افراد ارائه کردند [۱۷]. آن ها به منظور تشخیص دقیق بیماری از الگوریتم های یادگیری ماشینی شبکه عصبی پیچشی و k-نزدیک ترین همسایه، استفاده کردند. باید اشاره کنیم که در این سیستم پیش بینی بیماری، عادات زندگی افراد و اطلاعات معاینات پزشکی آن ها در نظر گرفته میشود. در مجموع، الگوریتم شبکه عصبی پیچشی (CNN) دقت ۸۴٫۵ درصد را در تشخیص بیماری های عمومی به نمایش می گذارد. این الگوریتم دقت بالاتری نسبت به تکنیک K-نزدیک ترین همسایه (KNN) دارد. علاوه براین، الگوریتم KNN نیاز زمانی و حافظه ای بیشتری نسبت به الگوریتم CNN دارد.