DOI: https://doi.org/10.1038/s41598-025-21301-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41136622
تاريخ النشر: 2025-10-24
المؤلف: Tamer Shamseldin وآخرون
الموضوع الرئيسي: الصحة النفسية من خلال الكتابة
نظرة عامة
تدرس هذه الدراسة إمكانية الذكاء الاصطناعي (AI) في التنبؤ بالحالات النفسية الشائعة—تحديداً الاكتئاب والقلق والتوتر—باستخدام بيانات نفسية موثقة من استبيان مقاييس الاكتئاب والقلق والتوتر-42 (DASS-42). استخدمت التحليل مجموعة بيانات كبيرة تضم 39,775 مشاركاً مجهول الهوية، تتضمن معلومات ديموغرافية وتستخدم خمسة نماذج تعلم آلي: شجرة القرار (DT)، الغابة العشوائية (RF)، أقرب الجيران (KNN)، بايز الساذج (NB)، وآلة الدعم الناقل (SVM). شملت خطوات معالجة البيانات معالجة القيم المفقودة، وتوحيد المعلومات الديموغرافية، وإجراء فحوصات الصلاحية. تم تقييم أداء النموذج بدقة من خلال تقسيمات تدريب واختبار مصنفة وخمس عمليات تحقق متقاطعة.
أشارت النتائج إلى أن نموذج SVM تفوق على الآخرين، محققاً دقة تصل إلى 99.3% للاكتئاب، و98.9% للقلق، و98.8% للتوتر. بينما أظهرت RF أيضاً أداءً قوياً، إلا أن KNN تطلب ضبطاً دقيقاً للحصول على نتائج مثالية. أظهرت DT وNB، على الرغم من فائدتهما، دقة أقل وعانت من تصنيفات معقدة، مما جعلها أقل فعالية في تشخيصات الصحة النفسية الدقيقة. تؤكد هذه النتائج على وعد الأساليب المعتمدة على الذكاء الاصطناعي في الفحص المبكر للصحة النفسية، على الرغم من أن التحقق السريري الإضافي ضروري للتطبيق العملي في العالم الحقيقي.
النتائج
تستخدم نتائج الدراسة استبيان DASS-42 لتقييم مستويات الاكتئاب والقلق والتوتر بين المشاركين، باستخدام خمسة خوارزميات تصنيف تعلم آلي: الغابة العشوائية (RF)، شجرة القرار (DT)، بايز الساذج (NB)، أقرب الجيران (KNN)، وآلة الدعم الناقل (SVM). تم تحليل مجموعة بيانات تضم 39,773 استجابة بعد المعالجة المسبقة، مع تقسيمات ديموغرافية تشير إلى 30,366 ذكر، 8,788 أنثى، و619 مشاركاً آخر. أظهر الوضع الاجتماعي أن 28,601 فرداً لم يتزوجوا أبداً، و4,265 متزوجين حالياً، و1,185 متزوجين سابقاً. شملت توزيع الأعمار 16,188 أطفال ثانويين، 15,388 بالغين، 4,960 أطفال ابتدائيين، 2,081 بالغين كبار، و1,156 كبار السن. تم تصنيف التحصيل التعليمي أيضاً، حيث أكمل 15,634 التعليم الثانوي، و15,065 أقل من التعليم الثانوي، و5,008 يحملون شهادة جامعية، و4,066 يحملون درجة دراسات عليا.
تشير النتائج، الموضحة في الشكل 3، إلى أن نسبة كبيرة من المشاركين تعاني من مستويات شديدة جداً من الاكتئاب والقلق والتوتر، بينما كانت الحالات الخفيفة هي الأقل انتشاراً. تشير النتائج إلى اتجاه مقلق في الصحة النفسية بين السكان الذين تم استطلاع آرائهم، حيث أفاد الغالبية بأعراض شديدة إلى شديدة جداً عبر الأمراض النفسية الثلاثة التي تم تقييمها.
المناقشة
يوفر قسم المناقشة في الورقة نظرة شاملة على الصحة النفسية، واضطراباتها، وآثار المرض النفسي على الأفراد والمجتمع. تُميز الصحة النفسية من خلال الرفاهية العاطفية والنفسية والاجتماعية للفرد، بينما تشمل الأمراض النفسية مجموعة متنوعة من الاضطرابات، بما في ذلك الاكتئاب والقلق والتوتر. يُبرز الاكتئاب كأكثر الاضطرابات النفسية انتشاراً، حيث يظهر من خلال أعراض المزاج والفسيولوجيا والإدراك. يُوصف القلق كرد فعل للتهديدات المتصورة، مما يؤدي إلى نوبات هلع وأعراض عاطفية وجسدية متنوعة. يُعترف بالتوتر، سواء الإيجابي أو السلبي، كاستجابة إنسانية شائعة يمكن أن تؤثر بشكل كبير على الصحة النفسية عندما تكون مفرطة.
تؤكد الورقة على النموذج البيولوجي النفسي الاجتماعي، الذي يأخذ في الاعتبار العوامل البيولوجية والنفسية والاجتماعية التي تسهم في المرض النفسي. تستشهد بإحصائيات مقلقة من منظمة الصحة العالمية، تشير إلى أن حوالي 300 مليون شخص على مستوى العالم يعانون من الاضطرابات النفسية، مع عواقب كبيرة على ديناميات الأسرة، والتفاعلات الاجتماعية، والأداء الأكاديمي، والسعادة العامة. كما يشير المؤلفون إلى العبء المتزايد للاضطرابات النفسية، وخاصة الاكتئاب، الذي من المتوقع أن يصبح السبب الرئيسي للعبء العالمي للأمراض بحلول عام 2030.
علاوة على ذلك، تناقش الورقة إمكانية الذكاء الاصطناعي (AI) في رعاية الصحة النفسية، خاصة من خلال خوارزميات التعلم الآلي (ML) التي تحلل البيانات من مصادر متنوعة، بما في ذلك وسائل التواصل الاجتماعي والأجهزة القابلة للارتداء، للتنبؤ بحالات الصحة النفسية. يدمج الإطار المقترح عدة خوارزميات ML، مثل الغابة العشوائية وآلة الدعم الناقل، لتعزيز دقة التنبؤ ويتم تقييمه باستخدام أدوات نفسية موثوقة مثل استبيان DASS-42. تهدف هذه المقاربة المبتكرة إلى تحسين تشخيصات وعلاج الصحة النفسية، مع معالجة الحاجة الملحة إلى حلول فعالة وفي الوقت المناسب لرعاية الصحة النفسية.
DOI: https://doi.org/10.1038/s41598-025-21301-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41136622
Publication Date: 2025-10-24
Author(s): Tamer Shamseldin et al.
Primary Topic: Mental Health via Writing
Overview
This study investigates the potential of artificial intelligence (AI) in predicting common psychological conditions—specifically depression, anxiety, and stress—using validated psychometric data from the Depression Anxiety Stress Scales-42 (DASS-42) questionnaire. The analysis utilized a large dataset comprising 39,775 anonymized participants, incorporating demographic information and employing five machine learning models: decision tree (DT), random forest (RF), k-nearest neighbor (KNN), naive Bayes (NB), and support vector machine (SVM). Data preprocessing steps included addressing missing values, standardizing demographics, and conducting validity checks. Model performance was rigorously evaluated through stratified train-test splits and five-fold cross-validation.
The results indicated that the SVM model outperformed the others, achieving accuracies of 99.3% for depression, 98.9% for anxiety, and 98.8% for stress. While RF also demonstrated strong performance, KNN required careful tuning for optimal results. DT and NB, despite their utility, showed lower accuracy and struggled with complex classifications, making them less effective for nuanced mental health diagnoses. These findings underscore the promise of AI-based approaches for early mental health screening, although further clinical validation is essential for real-world applicability.
Results
The results of the study utilize the DASS-42 questionnaire to evaluate levels of depression, anxiety, and stress among participants, employing five machine learning classification algorithms: Random Forest (RF), Decision Tree (DT), Naive Bayes (NB), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). A dataset comprising 39,773 responses was analyzed after pre-processing, with demographic breakdowns indicating 30,366 male, 8,788 female, and 619 other participants. Marital status revealed that 28,601 individuals were never married, 4,265 currently married, and 1,185 previously married. Age distribution included 16,188 secondary children, 15,388 adults, 4,960 primary children, 2,081 elder adults, and 1,156 older adults. Educational attainment was also categorized, with 15,634 having completed high school, 15,065 less than high school, 5,008 holding a university degree, and 4,066 with a graduate degree.
The findings, illustrated in Figure 3, indicate that a significant proportion of participants experience extremely severe levels of depression, anxiety, and stress, while mild conditions were the least prevalent. The results suggest a concerning trend in mental health among the surveyed population, with the majority reporting severe to extremely severe symptoms across the three assessed mental illnesses.
Discussion
The discussion section of the paper provides a comprehensive overview of mental health, its disorders, and the implications of mental illness on individuals and society. Mental health is characterized by an individual’s emotional, psychological, and social well-being, while mental illness encompasses various disorders, including depression, anxiety, and stress. Depression is highlighted as the most prevalent mental disorder, manifesting through mood, physiological, and cognitive symptoms. Anxiety is described as a response to perceived threats, leading to panic attacks and various emotional and physical symptoms. Stress, both positive and negative, is acknowledged as a common human response that can significantly impact mental health when excessive.
The paper emphasizes the biopsychosocial model, which considers biological, psychological, and social factors contributing to mental illness. It cites alarming statistics from the World Health Organization, indicating that approximately 300 million people globally suffer from mental disorders, with significant consequences for family dynamics, social interactions, academic performance, and overall happiness. The authors also note the rising burden of mental disorders, particularly depression, which is projected to become the leading cause of global disease burden by 2030.
Furthermore, the paper discusses the potential of artificial intelligence (AI) in mental health care, particularly through machine learning (ML) algorithms that analyze data from various sources, including social media and wearable devices, to predict mental health conditions. The proposed framework integrates multiple ML algorithms, such as random forest and support vector machine, to enhance predictive accuracy and is evaluated using established psychometric tools like the DASS-42 questionnaire. This innovative approach aims to improve mental health diagnostics and treatment, addressing the critical need for timely and effective mental health care solutions.