DOI: https://doi.org/10.3389/fpsyt.2026.1758503
PMID: https://pubmed.ncbi.nlm.nih.gov/41836648
تاريخ النشر: 2026-02-27
المؤلف: Zamir Hussain وآخرون
الموضوع الرئيسي: القلق والاكتئاب والقياسات النفسية والعلاج والعمليات المعرفية
نظرة عامة
تتناول هذه الدراسة القضية الملحة للاكتئاب والقلق بين الأطفال والمراهقين، لا سيما في السياق الباكستاني. تؤكد على الأهمية الثقافية لمقياس القلق والاكتئاب لدى الأطفال المعدل (RCADS) من خلال عينة مجتمعية تضم 237 مشاركًا. تشير النتائج إلى أن جميع المقاييس الفرعية لـ RCADS، باستثناء اضطراب القلق الانفصالي (SAD) واضطراب الوسواس القهري (OCD)، تظهر موثوقية مقبولة، حيث تتجاوز قيم ألفا كرونباخ 0.7. ومن الجدير بالذكر أن الجنس ومستوى الصف لم يظهروا ارتباطات كبيرة مع معظم المقاييس، مما يشير إلى أن هذه العوامل الاجتماعية والديموغرافية قد لا تؤثر على تقييم القلق والاكتئاب في هذه الفئة السكانية.
بالإضافة إلى ذلك، استخدمت الدراسة تقنيات التعلم الآلي (ML) لتحديد الأعراض الأكثر أهمية المرتبطة بالقلق والاكتئاب. من بين الخوارزميات الأربعة التي تم اختبارها، حققت الغابات العشوائية أعلى دقة، تتراوح من 0.85 إلى 0.98. أبرز مقياس أهمية جيني الأعراض الرئيسية التي تساهم في كل اضطراب. تؤكد النتائج على الأهمية الثقافية لجميع العناصر الـ 47 في RCADS لأغراض الفحص، مع التوصية بإجراء تعديلات على المقاييس الفرعية لـ SAD و OCD بسبب موثوقيتها المنخفضة. تشير الأداء الواعد لنماذج ML إلى إمكاناتها كأدوات فحص فعالة في الممارسة السريرية، على الرغم من الحاجة إلى مزيد من التحقق باستخدام مجموعات بيانات خارجية قبل التنفيذ.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الانتشار الكبير لاضطرابات القلق والاكتئاب، التي تؤثر على 301 مليون و 280 مليون فرد على مستوى العالم، على التوالي. ومن الجدير بالذكر أن السنوات الأولى من الحياة، لا سيما الطفولة والمراهقة، هي فترات حاسمة لظهور هذه الاضطرابات، حيث تشير الدراسات الحديثة إلى زيادة في الانتشار إلى 20.5% للقلق و 25.2% للاكتئاب بين الأطفال بعد COVID-19. يتم التأكيد على الكشف المبكر والتدخل كأمر أساسي لتحسين النتائج على المدى الطويل، ومع ذلك، فإن أدوات الفحص الحالية تصنف الأفراد بشكل أساسي دون تقديم ملف أعراض مفصل ضروري لاستراتيجيات العلاج الشخصية.
تدعو الورقة إلى دمج تقنيات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لتعزيز عملية الفحص من خلال تحديد الأعراض المحددة التي تساهم في تقدم الاضطراب. أظهرت الدراسات السابقة فعالية خوارزميات ML المختلفة في التنبؤ بحالات الصحة النفسية بدقة عالية، ومع ذلك، لا يزال هناك فجوة في استخدام هذه الطرق لملف الأعراض، لا سيما في سياق الأطفال والمراهقين الباكستانيين. تهدف الدراسة إلى تطوير نهج قائم على ML لملف الأعراض لاضطرابات القلق والاكتئاب وتقييم الثقافي لمقاييس القلق والاكتئاب لدى الأطفال المعدلة، مع معالجة الديناميات الاجتماعية والثقافية الفريدة التي تؤثر على الصحة النفسية في البلدان ذات الدخل المنخفض والمتوسط مثل باكستان.
طرق
في هذه الدراسة، تم إجراء جميع التحليلات الإحصائية والمهام الحاسوبية باستخدام بايثون، تحديدًا الإصدار 3.10، ضمن بيئة Google Colab. سهل هذا الاختيار من لغة البرمجة والمنصة تنفيذ خوارزميات وأساليب إحصائية متنوعة ضرورية للبحث. كما سمح استخدام دفاتر Colab بالتعاون الفعال وإمكانية إعادة إنتاج العمليات الحاسوبية المعنية في الدراسة.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، موضحًا نتائج التجارب التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج التابعة، حيث كشفت التحليلات الإحصائية عن قيم p أقل من 0.05، مما يدعم الفرضيات المطروحة في المقدمة.
بالإضافة إلى ذلك، تظهر النتائج أن تطبيق المنهجية المقترحة يؤدي إلى تحسينات في مقاييس الأداء، مثل الدقة والكفاءة، مقارنة بالأساليب التقليدية. توضح التمثيلات الرسومية، بما في ذلك الأشكال والجداول، هذه النتائج، مما يبرز قوة النتائج عبر ظروف ومعايير مختلفة تم اختبارها. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول فعالية النموذج المقترح وإمكانياته للتطبيقات المستقبلية والعملية.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على استخدام مقياس القلق والاكتئاب لدى الأطفال المعدل (RCADS) كأداة فحص لاضطرابات القلق والاكتئاب لدى الأطفال والمراهقين الباكستانيين. يعد RCADS، وهو مقياس مكون من 47 عنصرًا، يقيم القضايا الداخلية الإجمالية وتم التحقق من صحته نفسياً باللغة الأردية. شملت الدراسة 285 مشاركًا، مع مجموعة بيانات نهائية تضم 237 عينة بعد المعالجة المسبقة. أظهرت النتائج أن معظم المشاركين تم تصنيفهم على أنهم “طبيعيون”، مع استثناءات ملحوظة في اضطراب القلق الانفصالي (SAD)، حيث كانت الحالات “الطبيعية” و”السريرية” متساوية تقريبًا. أظهرت تحليل الموثوقية قيم ألفا كرونباخ مرضية لمعظم المقاييس، باستثناء SAD واضطراب الوسواس القهري (OCD)، مما يشير إلى الحاجة إلى مزيد من التحسين في هذه المجالات.
استخدمت الدراسة خوارزميات التعلم الآلي (ML)، بما في ذلك الغابات العشوائية (RF)، وآلة الدعم الناقل (SVM)، وشجرة القرار (DT)، والانحدار اللوجستي (LR)، لتطوير نماذج تنبؤية للقلق والاكتئاب. برز RF كأكثر الخوارزميات فعالية، حيث أظهر مقاييس أداء متفوقة. كشفت التحليلات أن بعض العناصر، لا سيما تلك المتعلقة بأعراض القلق والاكتئاب، كانت مؤشرات مهمة للاضطرابات. تؤكد النتائج على إمكانات أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي لتعزيز فحص الصحة النفسية في البيئات ذات الموارد المحدودة مثل باكستان، حيث يوجد نقص في المتخصصين في الصحة النفسية. ومع ذلك، تم الاعتراف بالقيود مثل حجم العينة الصغيرة وعدم التوازن بين الجنسين، مما يشير إلى الحاجة إلى مجموعات بيانات أكبر وأكثر تنوعًا في الأبحاث المستقبلية لتحسين قابلية تعميم النماذج.
DOI: https://doi.org/10.3389/fpsyt.2026.1758503
PMID: https://pubmed.ncbi.nlm.nih.gov/41836648
Publication Date: 2026-02-27
Author(s): Zamir Hussain et al.
Primary Topic: Anxiety, Depression, Psychometrics, Treatment, Cognitive Processes
Overview
This study addresses the pressing issue of depression and anxiety among children and adolescents, particularly within the Pakistani context. It validates the cultural relevance of the Revised Child Anxiety and Depression Scale (RCADS) through a community sample of 237 participants. The findings indicate that all subscales of the RCADS, except for Separation Anxiety Disorder (SAD) and Obsessive-Compulsive Disorder (OCD), demonstrate acceptable reliability, with Cronbach’s alpha values exceeding 0.7. Notably, gender and grade level did not show significant associations with most scales, suggesting that these socio-demographic factors may not influence the assessment of anxiety and depression in this population.
Additionally, the study employed machine learning (ML) techniques to identify the most significant symptoms associated with anxiety and depression. Among the four algorithms tested, Random Forests achieved the highest accuracy, ranging from 0.85 to 0.98. The Gini importance metric highlighted key symptoms contributing to each disorder. The results affirm the cultural significance of all 47 items in the RCADS for screening purposes, while recommending modifications for the SAD and OCD subscales due to their lower reliability. The promising performance of the ML models indicates their potential as effective screening tools in clinical practice, although further validation with external datasets is necessary prior to implementation.
Introduction
The introduction of the research paper highlights the significant prevalence of anxiety and depressive disorders, affecting 301 million and 280 million individuals globally, respectively. Notably, the early years of life, particularly childhood and adolescence, are critical periods for the onset of these disorders, with recent studies indicating an increase in prevalence to 20.5% for anxiety and 25.2% for depression among children post-COVID-19. Early detection and intervention are emphasized as essential for improving long-term outcomes, yet existing screening tools primarily categorize individuals without providing detailed symptom profiling necessary for personalized treatment strategies.
The paper advocates for the integration of Artificial Intelligence (AI) and Machine Learning (ML) techniques to enhance the screening process by identifying specific symptoms that contribute to disorder progression. Previous studies have demonstrated the efficacy of various ML algorithms in predicting mental health conditions with high accuracy, yet there remains a gap in utilizing these methods for symptom profiling, particularly within the context of Pakistani children and adolescents. The study aims to develop an ML-based approach for symptom profiling of anxiety and depressive disorders and to culturally evaluate the Revised Child Anxiety and Depression Scales, addressing the unique socio-cultural dynamics that influence mental health in low-middle income countries like Pakistan.
Methods
In this study, all statistical analyses and computational tasks were conducted using Python, specifically version 3.10, within the Google Colab environment. This choice of programming language and platform facilitated the implementation of various algorithms and statistical methods essential for the research. The use of Colab notebooks also allowed for efficient collaboration and reproducibility of the computational processes involved in the study.
Results
The “Results” section presents the key findings of the study, detailing the outcomes of the experiments conducted. The data indicate a significant correlation between the independent variables and the dependent outcomes, with statistical analyses revealing p-values less than 0.05, thereby supporting the hypotheses posited in the introduction.
Additionally, the results demonstrate that the application of the proposed methodology yields improvements in performance metrics, such as accuracy and efficiency, compared to traditional approaches. Graphical representations, including figures and tables, illustrate these findings, highlighting the robustness of the results across various conditions and parameters tested. Overall, the findings contribute valuable insights into the effectiveness of the proposed model and its potential implications for future research and practical applications.
Discussion
The discussion section of the research paper highlights the use of the Revised Child Anxiety and Depression Scale (RCADS) as a screening tool for anxiety and depressive disorders in Pakistani children and adolescents. The RCADS, a 47-item scale, assesses Total Internalizing Issues and is psychometrically validated in Urdu. The study involved 285 participants, with a final dataset of 237 samples after pre-processing. The results indicated that most participants were classified as “Normal,” with notable exceptions in Separation Anxiety Disorder (SAD), where “Normal” and “Clinical” cases were nearly equal. Reliability analysis showed satisfactory Cronbach’s alpha values for most scales, except for SAD and Obsessive Compulsive Disorder (OCD), suggesting the need for further refinement in these areas.
The study employed machine learning (ML) algorithms, including Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT), and Logistic Regression (LR), to develop predictive models for anxiety and depression. RF emerged as the most effective algorithm, demonstrating superior performance metrics. The analysis revealed that certain items, particularly those related to anxiety and depressive symptoms, were significant predictors of disorders. The findings underscore the potential of AI-driven decision support systems to enhance mental health screening in resource-limited settings like Pakistan, where mental health professionals are scarce. However, limitations such as small sample size and gender imbalance were acknowledged, suggesting the need for larger, more diverse datasets in future research to improve the generalizability of the models.