به گزارش مجله خبری نگار، پژوهشی درباره درمان افسردگی با شیوههای نوین در گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی بر روی ۸۰ بیمار افسرده با موفقیت و با دقت بالای ۹۰ درصد اجرا شده است. در این پژوهش به پیش بینی پاسخ به درمان تحریک مغناطیسی مغز برای افراد افسرده از روی سیگنال الکتروانسفالوگرام با استفاده از روشهای پیشرفته هوش مصنوعی پرداخته شده است.
در همین باره، احمد شال باف، دانشیار گروه فیزیک پزشکی دانشگاه علوم پزشکی شهید بهشتی گفت: بر اساس گزارش سازمان جهانی بهداشت، افسردگی بزرگترین عامل ناتوانی در زندگی بشر است و سهم عمدهای در بار کلی بیماریها دارد و با مشکلات شخصی، اجتماعی و اقتصادی قابل توجهی همراه است. شیوع بیماریهایی مانند کرونا و کاهش روابط اجتماعی نزدیک سبب گسترش این بیماری در این چند سال شده است. طبق آمارهای رسمی در ایران حدود ۴ تا ۵ میلیون نفر درگیر این بیماری بوده و این آمار در حال رشد میباشد.
وی با بیان اینکه درمانهای مرسوم افسردگی شامل درمانهای دارویی مختلف و درمان با تحریک مغناطیسی مغز است، افزود: درمان با تحریک مغناطیسی مغز مبتنی بر اصل القای الکترومغناطیسی است؛ که یک سری پالسهای مغناطیسی در فرکانس و شدت مشخصی، بر روی قشر مغز، برای مدت معینی اعمال میشود. این پالسهای مغناطیسی میتوانند فعالیت عصبی نقاط هدف را تعدیل سازند. در حال حاضر، انتخاب نوع درمان توسط روان پزشک به صورت کیفی و با شرح حال بیمار و استفاده از مولفههای دموگرافیک و پارامترهای کلینیکی انجام میگیرد؛ اما دادههای دموگرافی و بالینی، دارای قدرت تفکیک بالایی نیستند و عملا انتخاب نوع درمان و پیش بینی پاسخ به درمان با طی یک فرآیند آزمون و خطا انجام میگیرد؛ از این رو استفاده از روشهای تصویربرداری مغز از جمله الکتروانسفالوگرام (EEG) و اتخاذ رویکرد هوشمند شخصی سازی شده در انتخاب نوع درمان از اهمیت بالایی برخوردار است. به عبارت دیگر با توجه به طولانی بودن دوره درمان که در حدود ۲ تا ۶ ماه میباشد، هزینههای بالای درمان، احتمال افزایش شدت بیماری و عدم پیگیری ادامه درمان توسط شخص افسرده در صورت عدم درمان به موقع، لازم است رویکردی هوشمند برای پیش بینی پاسخ بیماران افسرده به این روشهای درمانی اتخاذ شود.
شال باف تصریح کرد: در پژوهش حاضر، پیش بینی پاسخ به درمان تحریک مغناطیس مغز در افراد افسرده از روی سیگنال الکتروانسفالوگرام قبل از اعمال درمان با استفاده از روشهای پیشرفته هوش مصنوعی با موفقیت انجام شد. امروزه، تقریبا در تمام کاربردهای بالینی و حوزه سلامت در تشخیص و درمان، ردپای هوش مصنوعی در پزشکی دیده میشود؛ لذا تردیدی وجود ندارد که هوش مصنوعی به بخش اصلی سیستمهای سلامت دیجیتال تبدیل خواهد شد که به نوبه خود پزشکی مدرن را شکل میدهد. فناوری هوش مصنوعی با استفاده از الگوریتمهای ریاضی، دادههای پیچیده را درک میکند، یاد میگیرد و میتواند بسیار به پزشکان در تصمیم گیریهای بالینی کمک کند.
دانشیار گروه فیزیک پزشکی دانشگاه علوم پزشکی شهید بهشتی تصریح کرد: در این پژوهش، نقشه مغزی بیماران افسرده از روی سیگنال الکتروانسفالوگرام با استفاده از روشهای مختلف ارتباط عملکردی و موثر مغزی بدست آمده و سپس این نقشه مغزی به عنوان ورودی به شبکههای عصبی عمیق اعمال میشود. استفاده همزمان از روشهای پیشرفته هوش مصنوعی مبتنی بر شبکههای عصبی عمیق کانولوشنی و بازگشتی و استفاده از روشهای انتقال یادگیری، سبب استخراج بهترین ویژگیهای منحصر به فرد از نقشه مغزی فرد افسرده مرتبط با پیش بینی پاسخ به درمان تحریک مغناطیسی مغز در فرد میشود.
این پژوهشگر بیان کرد: بدین ترتیب مدل هوش مصنوعی نهایی به دقیقترین شکل ممکن بیماران پاسخ دهنده و غیر پاسخ دهنده به درمان تحریک مغناطیسی مغز را قبل از درمان از یکدیگر تفکیک نموده و در نهایت از افزایش هزینههای تحمیل شده به بیماران، اتلاف زمان چند ماهه در شرایط بیماری و تحمل رنج بیماری جلوگیری میکند. این پژوهش در گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی و با همکاری کلینیک آتیه و آقایان دکتر رستمی و دکتر کاظمی روان پزشکان آن مرکز بر روی ۸۰ بیمار افسرده با موفقعیت و با دقت بالای ۹۰ درصد اجرا شده است.