نقش هوش مصنوعی در پیشگیری و تشخیص زودهنگام افسردگی پس از زایمان
چکیده
هدف:
افسردگی پس از زایمان یک عارضه شایع پس از تولد است که بر سلامت مادر، رشد نوزاد و رفاه خانواده تأثیر میگذارد. این مطالعه نقش هوش مصنوعی (AI) را در پیشگیری و تشخیص زودهنگام افسردگی پس از زایمان ارزیابی کرد.
روشها:
یک جستجوی سیستماتیک در پایگاههای داده Scopus، PubMed، Web of Science و CINAHL برای مطالعات (۲۰۲۰–۲۰۲۵) که از هوش مصنوعی برای شناسایی افسردگی پس از زایمان استفاده میکردند، انجام شد. دستورالعملهای PRISMA راهنمای انتخاب و ارزیابی بودند. دو متاآنالیز اثرات تصادفی حساسیت و دقت کلی را بر اساس اندازه نمونه کل و معیارهای گزارش شده تخمین زدند.
نتایج:
از ۱۸۵۷ رکورد، ۱۶ مطالعه معیارهای ورود را برآورده کردند. مدلهای یادگیری ماشین (جنگل تصادفی، XGBoost، شبکههای عصبی) دقت بیشتری نسبت به روشهای سنتی نشان دادند. ادغام هوش مصنوعی با سوابق پزشکی و دادههای شبکههای اجتماعی امکان تشخیص زودتر و شخصیسازی شده را فراهم کرد. چالشهای گزارش شده شامل تعصب الگوریتمی، حریم خصوصی دادهها و موانع پیادهسازی بودند. حساسیت کلی ۶۹٪ (۹۵٪ CI: ۵۵–۸۱٪؛ n=277,496) و دقت ۷۹٪ (۹۵٪ CI: ۷۳–۸۵٪؛ n=306,156) بود.
نتیجهگیری:
هوش مصنوعی نویدبخش بهبود تشخیص و پیشگیری از افسردگی پس از زایمان است اما نیاز به رفع چالشهای اخلاقی، فنی و آموزشی برای دستیابی به یکپارچگی بالینی عادلانه دارد.
ثبت مرور سیستماتیک:
https://www.crd.york.ac.uk/PROSPERO/view/CRD420251004175، شناسه CRD420251004175.
این یک مقاله تخصصی است. برای مطالعه کامل، وارد حساب دارای دسترسی تخصصی شوید.