آیا هوش مصنوعی می‌تواند خطر خودکشی را پیش‌بینی کند؟ از یادگیری ماشین تا علوم اعصاب

داریوش طاهری| به‌روزرسانی: ۷ شهریور ۱۴۰۵

۰ 🕒 11 دقیقه

آیا هوش مصنوعی می‌تواند خطر خودکشی را پیش‌بینی کند؟ از یادگیری ماشین تا علوم اعصاب

راهنمای مطالعه نمایش

آیا هوش مصنوعی می‌تواند احتمال خودکشی را پیش‌بینی کند؟ بررسی علمی نقش یادگیری ماشین در پیشگیری از خودکشی

خودکشی یکی از پیچیده‌ترین و دردناک‌ترین مسائل سلامت عمومی در جهان است؛ پدیده‌ای که نمی‌توان آن را به یک علت واحد، یک اختلال روان‌پزشکی یا یک ویژگی شخصیتی تقلیل داد. سازمان جهانی بهداشت بر چندعاملی بودن رفتار خودکشی تأکید می‌کند و عواملی از جنس زیستی، روان‌شناختی، اجتماعی، فرهنگی و محیطی را در شکل‌گیری آن دخیل می‌داند. بر اساس آخرین داده‌های سازمان جهانی بهداشت، سالانه بیش از ۷۲۰ هزار نفر در جهان بر اثر خودکشی جان خود را از دست می‌دهند و تعداد افرادی که اقدام به خودکشی می‌کنند بسیار بیشتر است. همچنین سابقه اقدام قبلی، یکی از مهم‌ترین عوامل خطر شناخته‌شده محسوب می‌شود. (سازمان بهداشت جهانی)

در چنین شرایطی، یک پرسش اساسی ذهن دانشمندان، روان‌پزشکان، متخصصان علوم اعصاب، اپیدمیولوژیست‌ها و پژوهشگران هوش مصنوعی را به خود مشغول کرده است:

آیا می‌توان با استفاده از هوش مصنوعی و یادگیری ماشین، الگوهای پنهان در داده‌های سلامت را شناسایی کرد و احتمال بروز رفتار خودکشی را زودتر از آنکه یک بحران جدی رخ دهد، تشخیص داد؟

پاسخ علمی امروز نه یک «بله» مطلق است و نه یک «خیر».

شواهد پژوهشی نشان می‌دهند که یادگیری ماشین می‌تواند اطلاعات ارزشمندی درباره خطر خودکشی استخراج کند و در برخی محیط‌های بالینی عملکرد قابل‌توجهی داشته باشد؛ اما هنوز نمی‌توان یک الگوریتم را به‌عنوان دستگاهی برای پیش‌بینی قطعی این‌که یک فرد مشخص چه زمانی دست به خودکشی خواهد زد، معرفی کرد.

این تمایز، شاید مهم‌ترین نکته در فهم رابطه میان هوش مصنوعی، علوم اعصاب و پیش‌بینی خودکشی باشد.

چرا پیش‌بینی خودکشی تا این اندازه دشوار است؟

برای مدت طولانی تصور می‌شد اگر عوامل خطر خودکشی را به‌خوبی بشناسیم، می‌توانیم فرد در معرض خطر را شناسایی کنیم. افسردگی، اختلال دوقطبی، اختلالات مصرف مواد، سابقه اقدام به خودکشی، درد مزمن، انزوای اجتماعی، تجربه تروما، مشکلات اقتصادی، تعارض‌های بین‌فردی و بسیاری عوامل دیگر با افزایش خطر رفتار خودکشی ارتباط دارند.

اما یک مشکل اساسی وجود دارد:

عامل خطر با پیش‌بینی فردی یکسان نیست.

برای مثال، داشتن افسردگی می‌تواند احتمال بروز رفتار خودکشی را افزایش دهد؛ اما این بدان معنا نیست که هر فرد مبتلا به افسردگی در آینده اقدام به خودکشی خواهد کرد. به همین ترتیب، بسیاری از افرادی که اقدام به خودکشی می‌کنند، در یک الگوی ساده و قابل پیش‌بینی قرار نمی‌گیرند.

سازمان جهانی بهداشت نیز تأکید می‌کند که رفتار خودکشی می‌تواند در زمینه‌های بسیار متفاوتی رخ دهد و گاهی در دوره‌های بحرانی و نسبتاً ناگهانی، همراه با کاهش توانایی فرد برای مقابله با فشارهای زندگی، شکل بگیرد. (سازمان بهداشت جهانی)

بنابراین، مغز انسان با یک معادله ساده روبه‌رو نیست؛ بلکه با یک سامانه پیچیده، پویا، غیرخطی و وابسته به زمان مواجه است.

مغز انسان؛ سامانه‌ای پیچیده‌تر از چند عامل خطر

از دیدگاه علوم اعصاب، رفتار خودکشی را نمی‌توان صرفاً به فعالیت یک ناحیه مغزی یا یک انتقال‌دهنده عصبی نسبت داد.

تصمیم‌گیری، کنترل تکانه، پردازش پاداش، تنظیم هیجان، پاسخ به استرس، ارزیابی آینده و تعاملات اجتماعی، حاصل عملکرد شبکه‌های گسترده عصبی هستند.

در این میان، مدارهای مرتبط با قشر پیش‌پیشانی، سیستم لیمبیک، پردازش هیجانی، کنترل شناختی و ارزیابی ارزش می‌توانند در پژوهش‌های مربوط به رفتارهای خودآسیب‌رسان اهمیت داشته باشند؛ اما هیچ «مرکز خودکشی» در مغز وجود ندارد.

این موضوع اهمیت بسیار زیادی دارد.

رفتار خودکشی یک پدیده تک‌علتی نیست؛ بلکه برآیند تعامل چندین سطح از عوامل زیستی، روان‌شناختی و محیطی است.

در واقع، می‌توان آن را نمونه‌ای از یک مسئله پیچیده در علوم اعصاب دانست؛ جایی که ژنتیک، اپی‌ژنتیک، عملکرد مغز، خواب، استرس، سلامت روان، مصرف مواد، شرایط اجتماعی و تجربه‌های زندگی می‌توانند در طول زمان بر یکدیگر اثر بگذارند.

جایی که هوش مصنوعی وارد می‌شود

انسان در شناسایی الگوهای ساده بسیار توانمند است، اما وقتی تعداد متغیرها به صدها یا هزاران عامل افزایش پیدا می‌کند، ظرفیت شناختی ما محدود می‌شود.

در مقابل، الگوریتم‌های یادگیری ماشین (Machine Learning) برای یافتن الگوهای پیچیده در مجموعه‌های بزرگ داده طراحی شده‌اند.

یک مدل یادگیری ماشین می‌تواند هم‌زمان اطلاعات متعددی را بررسی کند؛ برای مثال:

سابقه پزشکی
سابقه روان‌پزشکی
تشخیص‌های قبلی
داروهای مصرفی
مراجعه به اورژانس
سابقه بستری
سابقه اقدام قبلی
اختلالات مصرف مواد
اطلاعات جمعیت‌شناختی
بیماری‌های جسمی
الگوهای استفاده از خدمات سلامت
اطلاعات پرسش‌نامه‌های روان‌شناختی
داده‌های پرونده سلامت الکترونیک
و در برخی پژوهش‌ها داده‌های دیجیتال و رفتاری

هدف الگوریتم این نیست که یک «علت واحد» برای خودکشی پیدا کند.

بلکه تلاش می‌کند الگوی آماری پیچیده‌ای را بیاموزد که میان مجموعه‌ای از ویژگی‌ها و یک پیامد مشخص ارتباط برقرار می‌کند.

این تفاوت، اساس فهم علمی پیش‌بینی خطر خودکشی با هوش مصنوعی است.

آیا مدل‌های هوش مصنوعی واقعاً دقت بالایی دارند؟

اینجا باید با احتیاط بسیار زیاد صحبت کرد.

برخی مطالعات گذشته از عملکردهایی با AUC بالا یا دقت‌های بالای ۸۰ یا حتی ۹۰ درصد گزارش کرده‌اند. برای مثال، یک مرور نظام‌مند در جمعیت‌های روان‌پزشکی نشان داد بسیاری از مطالعات عملکردی بالاتر از ۷۰ درصد گزارش کرده‌اند و الگوریتم‌هایی مانند Random Forest، Support Vector Machine و برخی شبکه‌های عصبی در مطالعات مختلف نتایج امیدوارکننده‌ای داشته‌اند. با این حال، نویسندگان بر فقدان اعتبارسنجی خارجی و محدودیت‌های مهم روش‌شناختی تأکید کرده‌اند. (PubMed)

مرور دیگری از ۱۰۴ مطالعه نیز نشان داد که بسیاری از مدل‌ها به AUC حدود 0.80 تا 0.89 رسیده‌اند، اما عملکرد مدل‌ها بسته به نوع پیامد و جمعیت مورد مطالعه متفاوت بوده است. (PubMed)

بنابراین عبارت «هوش مصنوعی می‌تواند با دقت ۹۰ درصد خودکشی را پیش‌بینی کند» بیش از اندازه ساده‌سازی‌کننده است.

زیرا «دقت» به‌تنهایی نمی‌تواند نشان دهد یک مدل در محیط واقعی چقدر مفید است.

AUC، حساسیت و ویژگی؛ چرا اعداد به‌تنهایی کافی نیستند؟

در پژوهش‌های مدل‌سازی پیش‌بینی بالینی، معیارهایی مانند:

Sensitivity، Specificity، AUC-ROC، Positive Predictive Value، Negative Predictive Value، Calibration و Precision-Recall AUC

اهمیت دارند.

فرض کنید خودکشی یا اقدام به خودکشی در یک جمعیت نسبتاً نادر باشد. یک الگوریتم ممکن است از نظر آماری عملکرد بسیار خوبی داشته باشد، اما وقتی روی جمعیت عمومی اعمال شود، تعداد زیادی مثبت کاذب ایجاد کند.

این مسئله بسیار مهم است.

یک متاآنالیز منتشرشده در سال ۲۰۲۵ نشان داد که حساسیت مدل‌های یادگیری ماشین برای پیامدهای مرتبط با خودکشی در مطالعات مختلف حدود ۴۵ تا ۸۲ درصد و ویژگی حدود ۹۱ تا ۹۵ درصد بوده است؛ در عین حال، ارزش اخباری مثبت در جمعیت‌های مختلف می‌تواند به‌شدت تغییر کند. نویسندگان نتیجه گرفتند که شواهد موجود برای استفاده از این مدل‌ها به‌عنوان ابزار غربالگری یا تخصیص مداخله هنوز کافی نیست. (PubMed)

این یافته یک پیام مهم برای متخصصان دارد:

AUC بالا لزوماً به معنای یک ابزار بالینی قابل اتکا نیست.

مشکل «شیوع» در پیش‌بینی خودکشی

یکی از مهم‌ترین مفاهیم در این حوزه، Base Rate یا شیوع پایه است.

وقتی یک پیامد نسبتاً نادر است، حتی یک مدل خوب ممکن است در محیط عمومی تعداد قابل‌توجهی پیش‌بینی مثبت کاذب تولید کند.

به همین دلیل، پژوهشگر باید به‌جای پرسیدن این سؤال که:

«آیا الگوریتم دقت بالایی دارد؟»

بپرسد:

«این الگوریتم در چه جمعیتی، برای چه پیامدی، در چه بازه زمانی و با چه هزینه‌ای، چه میزان اطلاعات بالینی قابل استفاده تولید می‌کند؟»

این تغییر زاویه دید، مدل‌سازی خودکشی را از یک مسابقه برای دستیابی به بالاترین Accuracy به یک مسئله واقعی پزشکی دقیق و تصمیم‌گیری بالینی تبدیل می‌کند.

تفاوت پیش‌بینی افکار خودکشی، اقدام به خودکشی و مرگ ناشی از خودکشی

یکی از اشتباهات رایج در گزارش‌های عمومی این است که همه پیامدها با عنوان «خودکشی» در نظر گرفته شوند.

در حالی که از نظر پژوهشی تفاوت بزرگی میان:

Suicidal Ideation
افکار یا ایده‌پردازی خودکشی،

Suicide Attempt
اقدام به خودکشی،

Suicide Death
مرگ ناشی از خودکشی

وجود دارد.

مدلی که می‌تواند افکار خودکشی را شناسایی کند، الزاماً برای پیش‌بینی اقدام به خودکشی مناسب نیست؛ و مدلی که احتمال اقدام را برآورد می‌کند، لزوماً توانایی پیش‌بینی مرگ ناشی از خودکشی را ندارد.

این تفاوت باید در هر مقاله علمی، مدل پیش‌بینی و گزارش رسانه‌ای به‌وضوح بیان شود.

پرونده الکترونیک سلامت؛ معدن عظیم داده برای هوش مصنوعی

یکی از جذاب‌ترین منابع داده برای Suicide Risk Prediction، پرونده‌های الکترونیک سلامت یا Electronic Health Records (EHR) هستند.

پرونده پزشکی یک فرد ممکن است در طول سال‌ها مجموعه بزرگی از اطلاعات را در خود ذخیره کند.

از تشخیص‌ها و داروها گرفته تا مراجعه‌های اورژانسی، بستری‌ها، بیماری‌های هم‌زمان و اطلاعات آزمایشگاهی.

انسان نمی‌تواند همه این اطلاعات را به‌صورت هم‌زمان و با دقت یکسان بررسی کند.

اما الگوریتم می‌تواند روابط آماری میان صدها متغیر را تحلیل کند.

برای مثال ممکن است اهمیت یک عامل منفرد بسیار اندک باشد، اما ترکیب چندین عامل در کنار یکدیگر اطلاعات پیش‌بینی‌کننده بیشتری ایجاد کند.

همین ویژگی، یادگیری ماشین را برای مطالعه اختلالات پیچیده روان‌پزشکی جذاب کرده است.

از یادگیری ماشین تا یادگیری عمیق

در این حوزه الگوریتم‌های متعددی مورد بررسی قرار گرفته‌اند؛ از جمله:

Logistic Regression، Random Forest، Support Vector Machine، Gradient Boosting، XGBoost، Artificial Neural Networks و Deep Learning.

هر الگوریتم نقاط قوت و ضعف خاص خود را دارد.

Random Forest می‌تواند روابط غیرخطی و تعاملات میان متغیرها را به‌خوبی مدل کند.

الگوریتم‌های Gradient Boosting مانند XGBoost نیز در داده‌های ساختاریافته عملکرد قابل‌توجهی نشان داده‌اند.

شبکه‌های عصبی و Deep Learning نیز زمانی که داده‌های پیچیده و حجیم در اختیار باشند، ظرفیت بالایی دارند.

اما پیچیده‌تر بودن مدل به معنای بهتر بودن آن نیست.

گاهی یک مدل ساده‌تر که به‌خوبی کالیبره شده، در محیط بالینی ارزش بیشتری از یک شبکه عصبی بسیار پیچیده دارد.

آیا آینده به سمت دیجیتال فنوتایپینگ می‌رود؟

یکی از حوزه‌های جذاب پژوهشی، Digital Phenotyping یا فنوتایپینگ دیجیتال است.

در این رویکرد، پژوهشگران تلاش می‌کنند از داده‌های دیجیتال حاصل از تعامل روزمره فرد با فناوری، الگوهای رفتاری استخراج کنند.

برای مثال، در مطالعات پژوهشی می‌توان به داده‌های حاصل از تلفن هوشمند، پوشیدنی‌ها، الگوهای خواب، فعالیت بدنی یا برخی شاخص‌های رفتاری فکر کرد.

همچنین Natural Language Processing (NLP) می‌تواند در مطالعات پژوهشی برای تحلیل الگوهای زبانی و محتوای متنی مورد استفاده قرار گیرد.

این حوزه از منظر علوم اعصاب محاسباتی جذاب است؛ زیرا امکان بررسی تغییرات رفتاری در طول زمان را فراهم می‌کند.

اما یک خط قرمز مهم وجود دارد:

داده بیشتر الزاماً به معنای پیش‌بینی بهتر نیست.

اگر داده‌ها سوگیرانه، ناقص یا نماینده جمعیت هدف نباشند، الگوریتم نیز می‌تواند همان سوگیری‌ها را یاد بگیرد.

بزرگ‌ترین دشمن هوش مصنوعی در پزشکی: بیش‌برازش

یکی از مهم‌ترین مشکلات مدل‌های پیش‌بینی، Overfitting یا بیش‌برازش است.

گاهی یک الگوریتم روی داده‌ای که با آن آموزش دیده، عملکرد فوق‌العاده‌ای دارد؛ اما وقتی روی بیمارانی از یک بیمارستان دیگر یا جمعیتی متفاوت آزمایش می‌شود، عملکرد آن به‌شدت افت می‌کند.

این مسئله در پیش‌بینی خودکشی بسیار جدی است.

یک مرور انتقادی از مدل‌های پیش‌بینی خودآسیب‌رسانی و خودکشی نشان داده است که تنها بخش کوچکی از مدل‌های توسعه‌یافته، اعتبارسنجی خارجی شده‌اند و بسیاری از مطالعات با مشکلاتی مانند حجم نمونه ناکافی، مدیریت نامناسب داده‌های گمشده و بیش‌برازش مواجه بوده‌اند. (PubMed)

بنابراین برای تبدیل یک الگوریتم پژوهشی به یک ابزار بالینی، باید External Validation، Calibration و ارزیابی در جمعیت‌های مستقل انجام شود.

هوش مصنوعی نباید جایگزین روان‌پزشک شود

یکی از خطرناک‌ترین برداشت‌ها این است که تصور کنیم یک مدل هوش مصنوعی می‌تواند جایگزین روان‌پزشک، روان‌شناس یا تیم درمان شود.

چنین برداشتی با وضعیت فعلی علم سازگار نیست.

یک مدل پیش‌بینی می‌تواند یک ابزار تصمیم‌یار بالینی (Clinical Decision Support Tool) باشد؛ یعنی اطلاعاتی اضافه در اختیار متخصص قرار دهد.

اما تصمیم بالینی باید در زمینه وضعیت واقعی بیمار، گفت‌وگوی بالینی، معاینه، سابقه پزشکی، وضعیت روان‌شناختی و شرایط اجتماعی فرد تفسیر شود.

پژوهش‌های جدید در محیط‌های واقعی نیز نشان داده‌اند که مدل‌های یادگیری ماشین می‌توانند در برخی شرایط عملکرد قابل‌توجهی داشته باشند؛ اما اختلاف عملکرد میان مطالعات بسیار زیاد است و اعتبارسنجی محلی و اجرای متناسب با جریان کار بالینی ضروری است. (PubMed)

یک الگوریتم خوب باید «قابل توضیح» باشد

اگر یک الگوریتم به پزشک بگوید:

«این بیمار در معرض خطر بالاست»

اما نتواند هیچ توضیح قابل فهمی ارائه کند، استفاده از آن در پزشکی با چالش مواجه خواهد شد.

اینجاست که مفهوم Explainable AI یا هوش مصنوعی توضیح‌پذیر اهمیت پیدا می‌کند.

پزشک باید بتواند بفهمد چه دسته‌ای از متغیرها در برآورد خطر نقش داشته‌اند و تا چه اندازه می‌توان به این پیش‌بینی اعتماد کرد.

پژوهشگران حوزه روان‌پزشکی نیز بر اهمیت اعتبار، قابلیت اعتماد و قابل‌فهم بودن مدل‌ها برای متخصصان تأکید کرده‌اند. (Nature)

مسئله اخلاق؛ وقتی الگوریتم درباره انسان تصمیم می‌گیرد

هرچه هوش مصنوعی بیشتر وارد پزشکی شود، پرسش‌های اخلاقی نیز جدی‌تر می‌شوند.

چه کسی مسئول یک پیش‌بینی اشتباه است؟

اگر الگوریتم یک فرد را به اشتباه «پرخطر» تشخیص دهد، چه پیامدی خواهد داشت؟

اگر یک فرد پرخطر را شناسایی نکند، چه اتفاقی می‌افتد؟

آیا الگوریتم برای زنان و مردان، گروه‌های سنی مختلف، اقلیت‌های اجتماعی یا جمعیت‌های متفاوت عملکرد یکسانی دارد؟

این موضوع به مفهوم Algorithmic Bias یا سوگیری الگوریتمی مربوط می‌شود.

مطالعات جدید نیز نشان می‌دهند که در مدل‌های خطر خودکشی، فقط عملکرد آماری اهمیت ندارد؛ بلکه عدالت، هزینه، Precision-Recall و پیامد واقعی تصمیم بالینی نیز باید مورد توجه قرار گیرد. (Nature)

آینده پیش‌بینی خودکشی؛ ترکیب داده‌های چندلایه

شاید آینده واقعی این حوزه در یک الگوریتم واحد خلاصه نشود.

مدل‌های آینده ممکن است داده‌های مختلف را در کنار یکدیگر قرار دهند:

داده‌های بالینی + روان‌سنجی + ژنتیک + اپی‌ژنتیک + تصویربرداری مغزی + داده‌های آزمایشگاهی + خواب + داده‌های رفتاری + عوامل اجتماعی.

این رویکرد را می‌توان نوعی Multimodal AI دانست.

از منظر علوم اعصاب، چنین مدلی جذاب است؛ زیرا مغز و رفتار انسان نیز حاصل تعامل چندین سطح زیستی و محیطی هستند.

اما حتی چنین سامانه‌ای نیز قرار نیست آینده یک انسان را با قطعیت بخواند.

مهم‌ترین تغییر نگاه: از «پیش‌بینی» به «پیشگیری»

شاید مهم‌ترین نکته این باشد که هدف نهایی هوش مصنوعی نباید پیشگویی آینده انسان باشد.

هدف واقعی باید پیشگیری بهتر، شناسایی زودهنگام و ارائه مراقبت مناسب باشد.

اگر یک مدل بتواند به تیم درمان کمک کند فردی را که به ارزیابی دقیق‌تری نیاز دارد، زودتر شناسایی کند، ارزش بالینی آن بسیار بیشتر از این است که صرفاً یک عدد زیبا در مقاله پژوهشی تولید کند.

به بیان دیگر:

هدف هوش مصنوعی نباید جایگزین کردن انسان باشد؛ بلکه باید افزایش توانایی انسان برای مراقبت از انسان باشد.

آیا هوش مصنوعی روزی می‌تواند زمان خودکشی را پیش‌بینی کند؟

در حال حاضر چنین ادعایی از نظر علمی قابل دفاع نیست.

حتی اگر یک مدل بتواند خطر را در یک بازه زمانی مشخص بهتر از روش‌های سنتی برآورد کند، این مسئله با تعیین دقیق «زمان وقوع» یک رفتار بسیار پیچیده تفاوت دارد.

رفتار انسان پویاست و وضعیت روانی، روابط اجتماعی، رویدادهای ناگهانی، بحران‌ها و تغییرات محیطی می‌توانند در مدت کوتاهی مسیر آن را تغییر دهند.

بنابراین بهتر است به‌جای تصور یک «ماشین پیشگویی»، از مدل‌های احتمالاتی و تصمیم‌یارهای بالینی پویا صحبت کنیم.

یک حقیقت مهم که نباید فراموش کنیم

هوش مصنوعی ممکن است بتواند چیزی را ببیند که انسان به‌تنهایی نمی‌بیند؛ یعنی الگویی بسیار پیچیده در میان صدها متغیر.

اما این به معنای آن نیست که ماشین «انسان را بهتر از خودش می‌شناسد».

الگوریتم‌ها الگوهای موجود در داده‌ها را یاد می‌گیرند.

اگر داده‌ها ناقص باشند، الگوریتم نیز ناقص خواهد بود.

اگر داده‌ها سوگیرانه باشند، الگوریتم می‌تواند سوگیری را بازتولید کند.

اگر جمعیت آموزش با جمعیت واقعی متفاوت باشد، عملکرد مدل ممکن است کاهش پیدا کند.

و اگر مدل بدون اعتبارسنجی خارجی مستقیماً وارد بالین شود، حتی یک نتیجه آماری چشمگیر می‌تواند به تصمیم بالینی نامطمئن تبدیل شود.

جمع‌بندی؛ هوش مصنوعی، امیدی بزرگ اما نه یک پیشگویی قطعی

پیش‌بینی خودکشی یکی از دشوارترین مسائل در پزشکی، روان‌پزشکی و علوم اعصاب است.

رفتار خودکشی نتیجه تعامل پیچیده عوامل زیستی، روان‌شناختی، اجتماعی و محیطی است و هیچ عامل منفردی نمی‌تواند سرنوشت یک انسان را تعیین کند. سازمان جهانی بهداشت نیز بر همین ماهیت چندعاملی تأکید دارد. (سازمان بهداشت جهانی)

یادگیری ماشین به دلیل توانایی تحلیل حجم عظیمی از داده‌ها و کشف روابط پیچیده، افق تازه‌ای برای پیش‌بینی خطر خودکشی، ارزیابی ریسک، شناسایی زودهنگام و تصمیم‌یارهای بالینی ایجاد کرده است.

بااین‌حال، فاصله میان «مدل پژوهشی موفق» و «ابزار بالینی قابل اعتماد» همچنان قابل توجه است.

پژوهش‌های جدید نشان می‌دهند که مدل‌های هوش مصنوعی در برخی مطالعات دارای قدرت تفکیک مناسب بوده‌اند، اما ناهمگونی شدید میان مطالعات، محدودیت اعتبارسنجی خارجی، خطر سوگیری، بیش‌برازش، مشکلات کالیبراسیون و ارزش اخباری مثبت پایین در جمعیت‌های کم‌شیوع، استفاده گسترده از این مدل‌ها را با محدودیت مواجه می‌کند. (PubMed)

بنابراین آینده این حوزه احتمالاً نه در ساختن یک «الگوریتم جادویی برای پیش‌بینی خودکشی»، بلکه در ایجاد سامانه‌هایی خواهد بود که بتوانند داده‌های چندلایه را با روش‌های شفاف، عادلانه، قابل اعتبارسنجی و از نظر بالینی معنادار تحلیل کنند.

در این آینده، هوش مصنوعی قرار نیست جای روان‌پزشک، روان‌شناس یا متخصص علوم اعصاب را بگیرد.

بلکه می‌تواند به چشم دیگری برای دیدن الگوهای پنهان تبدیل شود؛ چشمی محاسباتی که در کنار تجربه بالینی، گفت‌وگوی انسانی و مراقبت حرفه‌ای، به شناسایی زودهنگام خطر کمک می‌کند.

و شاید ارزشمندترین دستاورد این فناوری دقیقاً همین باشد:

نه اینکه ماشین بتواند آینده یک انسان را با قطعیت پیشگویی کند؛ بلکه اینکه بتواند به انسان‌ها کمک کند زودتر متوجه رنج یک انسان دیگر شوند و پیش از آنکه یک بحران به فاجعه تبدیل شود، دست یاری به سوی او دراز کنند.

در نهایت، هیچ الگوریتمی جای یک گفت‌وگوی انسانی، همدلی، مراقبت تخصصی و دسترسی به خدمات سلامت روان را نمی‌گیرد. فناوری زمانی واقعاً ارزشمند است که در خدمت همین عناصر انسانی قرار گیرد.