یادگیری ماشین اضطراب پنهان در کودکان مبتلا به درد مزمن شکم را شناسایی می‌کند
درد مزمن شکم که علت جسمی مشخصی برای آن پیدا نمی‌شود، یکی از شایع‌ترین دلایل مراجعه کودکان و نوجوانان به درمانگاه‌های تخصصی گوارش کودکان است. بر اساس معیارهای تشخیصی رم 4 (Rome IV)، این مشکلات در گروه «اختلالات درد عملکردی شکم» قرار می‌گیرند؛ گروهی که سوءهاضمه عملکردی، سندرم روده تحریک‌پذیر، میگرن شکمی و درد عملکردی شکم با طبقه‌بندی نامشخص را در بر می‌گیرد. امروزه این اختلالات دیگر صرفاً مشکلاتی محدود به دستگاه گوارش تلقی نمی‌شوند، بلکه در دسته اختلالات تعامل روده و مغز قرار دارند. در این اختلالات، عواملی مانند شدت و بار ناشی از درد، کیفیت خواب، تشدید علائم جسمی، عملکرد کودک در مدرسه و شرایط روان‌شناختی خانواده، همگی بر چگونگی بروز بیماری تأثیر می‌گذارند. اضطراب در این میان نقش مهمی دارد؛ زیرا می‌تواند احساس درد را تشدید کند، مراجعات درمانی را افزایش دهد، عملکرد روزمره کودک را مختل کند و به تداوم علائم بینجامد. از سوی دیگر، خود درد نیز ممکن است نگرانی پیشاپیش درباره وقوع دوباره علائم، رفتارهای اجتنابی و غیبت از مدرسه را افزایش دهد. با این حال، وقتی شکایت اصلی کودک دل‌درد است، احتمال نادیده ماندن اضطراب زیاد است؛ به‌ویژه در مراکزی که ارزیابی سلامت روان بخشی از مراقبت معمول گوارشی نیست.
گروهی از پژوهشگران بخش گوارش کودکان بیمارستان دوم وابسته به دانشگاه علوم پزشکی ونژو و بیمارستان کودکان یویینگ در چین، برای برطرف کردن این خلأ، طراحی ابزاری کاربردی برای طبقه‌بندی بیماران بر اساس میزان خطر ابتلا به اضطراب را در دستور کار قرار دادند. در یک مطالعه مشاهده‌ای مبتنی بر مدل‌سازی پیش‌بینی که نتایج آن در مجله Frontiers in Psychiatry منتشر شد، وی‌وی وو، کوان‌کوان یه، شیائوچون لین، سی‌سی لی، شی‌شی وانگ و شیائویان لیو، مدلی مبتنی بر یادگیری ماشین تجمیعی از نوع استکینگ (Stacking) طراحی کردند و اعتبار آن را با داده‌های داخلی سنجیدند. هدف این مدل، شناسایی اختلال اضطرابی هم‌زمان در کودکان و نوجوانان مبتلا به اختلالات درد عملکردی شکم بود. کمیته اخلاق بیمارستان این پژوهش را تأیید کرد و به دلیل ماهیت گذشته‌نگر مطالعه و استفاده از داده‌های معمول درمانی که اطلاعات هویتی بیماران از آن‌ها حذف شده بود، دریافت رضایت آگاهانه را ضروری ندانست. پژوهش نیز مطابق اصول اعلامیه هلسینکی انجام شد.
جامعه پژوهش شامل ۶۲۹ بیمار واجد شرایط در گروه سنی ۷ تا ۱۸ سال بود که معیارهای تشخیصی رم ۴ برای اختلالات درد عملکردی شکم را داشتند و بین دسامبر ۲۰۲۱ تا دسامبر ۲۰۲۵ ارزیابی شده بودند. بیمارانی که شواهدی از علل گوارشی با منشأ عضوی، التهابی، متابولیک، عفونی یا ساختاری برای درد شکم داشتند، از مطالعه کنار گذاشته شدند. همچنین بیمارانی که ارزیابی استاندارد اضطراب برای آن‌ها انجام نشده بود، پیش از ارزیابی درد شکم درمان روان‌شناختی یا روان‌پزشکی دریافت کرده بودند یا بخش قابل‌توجهی از داده‌های مربوط به متغیرهای پیش‌بینی‌کننده آن‌ها ناقص بود، وارد مطالعه نشدند. از مجموع ۶۲۹ بیمار، ۲۱۰ نفر، معادل ۳۳٫۴ درصد، به اختلال اضطرابی هم‌زمان مبتلا بودند. پژوهشگران بیماران را به‌صورت تصادفی و با نسبت ۷ به ۳، با نمونه‌گیری طبقه‌بندی‌شده بر اساس وضعیت اضطراب، به دو گروه تقسیم کردند. گروه آموزش شامل ۴۴۰ بیمار بود که ۱۴۷ نفر از آن‌ها اختلال اضطرابی داشتند. گروه اعتبارسنجی داخلی نیز ۱۸۹ بیمار را در بر می‌گرفت که ۶۳ نفرشان به اختلال اضطرابی مبتلا بودند. این شیوه تقسیم‌بندی باعث شد نسبت بیماران مبتلا به اضطراب در هر دو مجموعه داده تقریباً یکسان باقی بماند. ویژگی‌های اولیه دو گروه نیز عمدتاً متوازن بود و بیشتر اختلاف‌های میانگین استانداردشده کوچک بودند؛ هرچند شدت درد شکم با اختلاف ۰٫۱۱، تفاوت اندکی بیشتری نشان داد.
پژوهشگران برای تعیین پیامد اصلی مطالعه، یعنی ابتلا به اختلال اضطرابی هم‌زمان، از روشی دقیق استفاده کردند. ابتدا علائم اضطراب با نسخه چینی پرسش‌نامه غربالگری اختلالات هیجانی مرتبط با اضطراب کودکان (SCARED) بررسی شد. این ابزار خودگزارشی ۴۱ سؤال دارد و امتیاز آن بین صفر تا ۸۲ است؛ نمره کل ۲۵ یا بالاتر نیز نتیجه مثبت غربالگری محسوب می‌شود. با این حال، تشخیص نهایی اختلال اضطرابی هم‌زمان بر اساس معیارهای DSM-5 و به دست روان‌پزشکان کودک یا روان‌شناسان بالینی آموزش‌دیده انجام شد. این تشخیص طیفی از اختلالات، از جمله اضطراب فراگیر، اضطراب جدایی، اضطراب اجتماعی، اختلال پانیک، هراس اختصاصی و سایر اختلالات اضطرابی تعریف‌شده از نظر بالینی را در بر می‌گرفت. نکته مهم آن بود که نمره کل و نمره زیرمقیاس‌های SCARED، نتایج تشخیصی متخصصان، اطلاعات مصاحبه‌های روان‌پزشکی و متغیرهای مربوط به درمان پس از تشخیص، همگی از فهرست متغیرهای پیش‌بینی‌کننده احتمالی حذف شدند. به این ترتیب، مدل به‌جای بازتولید نتایج ابزار تشخیصی، احتمال اضطراب را بر اساس اطلاعاتی برآورد می‌کرد که در مراقبت‌های معمول درمانی قابل جمع‌آوری هستند. ارزیابی اضطراب پیش از آغاز طراحی مدل تکمیل شده بود و متخصصانی که تشخیص را انجام داده بودند، در ساخت مدل نقشی نداشتند.
متغیرهای احتمالی پیش‌بینی‌کننده در شش حوزه بررسی شدند و اطلاعات آن‌ها پیش از تعیین وضعیت نهایی اضطراب گردآوری شده بود. متغیرهای جمعیت‌شناختی شامل سن، جنسیت، شاخص توده بدنی، محل سکونت و تک‌فرزند بودن بودند. متغیرهای مرتبط با درد نیز مدت تداوم علائم، دفعات بروز درد، شدت درد بر اساس مقیاس عددی، درد صبحگاهی، بیدار شدن از خواب شبانه بر اثر درد، ارتباط زمانی درد با رویدادهای تنش‌زا، نمره شاخص ناتوانی عملکردی، تعداد روزهای غیبت از مدرسه در ماه گذشته، مراجعات قبلی به اورژانس، مصرف پیشین داروهای گوارشی و زیرگروه اختلال را در بر می‌گرفتند. مشکلات جسمی همراه، مانند یبوست، اسهال، تهوع، نفخ، سردرد و بیماری‌های آلرژیک نیز ثبت شدند. افزون بر این، اجتناب از مدرسه به‌عنوان متغیری دودویی و مستقل در نظر گرفته شد که رفتارهای امتناع از رفتن به مدرسه را نشان می‌داد، نه صرفاً تعداد روزهای غیبت. شاخص‌های روانی‌اجتماعی کودک شامل مقیاس اختلالات خواب کودکان (SDSC)، پرسش‌نامه ۲۴ ماده‌ای علائم جسمی کودکان (CSI-24)، فاجعه‌انگاری درد، علائم افسردگی، مشکلات روابط با همسالان و فشار تحصیلی اخیر بود. در سطح خانواده نیز علائم اضطراب والدین بر اساس مقیاس هفت‌سؤالی اختلال اضطراب فراگیر (GAD-7)، علائم افسردگی والدین، تعارضات زناشویی، زندگی در خانواده تک‌والد، وضعیت کودکانی که والدینشان برای کار یا دلایل دیگر از آن‌ها دور هستند، فرزندپروری بیش‌ازحد حمایتگرانه و سابقه خانوادگی درد شکمی مکرر یا اختلالات روان‌پزشکی بررسی شد.
پیش از ساخت مدل‌های یادگیری ماشین، پژوهشگران با استفاده از رگرسیون لجستیک چندمتغیره توصیفی، الگوی عوامل خطر بالینی را بررسی کردند. افزایش سن با احتمال بیشتر اضطراب ارتباطی نسبتاً ضعیف داشت و نسبت شانس تعدیل‌شده به ازای هر سال افزایش سن، ۱٫۰۷ بود. طولانی‌تر بودن مدت علائم و افزایش دفعات درد، که هر دو با تابع لگاریتمی log2(1 + x) تبدیل شده بودند، به‌ترتیب نسبت شانس تعدیل‌شده ۱٫۳۱ و ۱٫۳۶ داشتند. بیدار شدن از خواب شبانه به دلیل درد با نسبت شانس ۱٫۵۵ همراه بود و ارتباط زمانی درد با رویدادهای تنش‌زا نسبت شانس ۱٫۸۶ را نشان داد. به ازای هر پنج امتیاز افزایش در نمره SDSC، نسبت شانس ۱٫۱۸ بود. این مقدار برای هر پنج امتیاز افزایش در نمره CSI-24 برابر ۱٫۲۶ و برای هر پنج امتیاز افزایش در نمره GAD-7 والدین برابر ۱٫۴۶ گزارش شد. غیبت از مدرسه نیز پس از تبدیل متغیر، نسبت شانس ۱٫۲۸ داشت. این تحلیل‌های رگرسیونی صرفاً با هدف توصیف روابط انجام شدند و از نتایج آن‌ها برای غربالگری یا انتخاب متغیرهای پیش‌بینی‌کننده در فرایند یادگیری ماشین استفاده نشد.
فرایند طراحی مدل با تدابیر گسترده‌ای برای جلوگیری از نشت اطلاعات همراه بود؛ مشکلی که در آن اطلاعات مربوط به داده‌های ارزیابی به‌طور ناخواسته وارد مرحله آموزش می‌شوند و عملکرد مدل را بهتر از واقعیت نشان می‌دهند. تقسیم داده‌ها پیش از هر مرحله از توسعه مدل انجام شد و مجموعه اعتبارسنجی فقط برای ارزیابی نهایی کنار گذاشته شد. از این مجموعه هرگز برای انتخاب ویژگی‌ها، تنظیم ابرپارامترها، کالیبراسیون، تعیین آستانه طبقه‌بندی، مشخص کردن مدل‌های پایه یا آموزش مدل سطح دوم استفاده نشد. میزان داده‌های مفقودشده بسیار کم بود؛ از مجموع ۲۷ هزار و ۶۷۶ مقدار مربوط به متغیرهای پیش‌بینی‌کننده احتمالی، تنها ۲۴۸ مقدار، معادل ۰٫۹۰ درصد، پیش از جایگزینی داده‌های مفقودشده در دسترس نبود. بیشترین میزان داده مفقود برای یک متغیر نیز ۳٫۲ درصد بود. پارامترهای لازم برای جایگزینی داده‌های مفقودشده فقط از داده‌های آموزشی برآورد شدند و سپس بدون تغییر روی بخش‌های کنارگذاشته‌شده در اعتبارسنجی متقاطع و مجموعه اعتبارسنجی نهایی اعمال شدند. برای انتخاب ویژگی‌ها از رگرسیون لجستیک با روش کمترین انقباض مطلق و انتخاب متغیر (LASSO) استفاده شد. این فرایند در هر بخش از اعتبارسنجی متقاطع تکرار می‌شد و فقط متغیرهایی باقی می‌ماندند که ضریب آن‌ها در مقدار پارامتر جریمه انتخاب‌شده از طریق اعتبارسنجی متقاطع همان بخش، غیرصفر بود. سپس چهار مدل پایه که از پیش تعیین شده بودند، توسعه یافتند: ماشین تقویت توضیح‌پذیر (EBM) برای شناسایی اثرات جمع‌پذیر غیرخطی همراه با حفظ قابلیت تفسیر، ماشین بردار پشتیبان کالیبره‌شده (SVM) به‌عنوان یک طبقه‌بند مبتنی بر حاشیه تصمیم، جنگل تصادفی به‌عنوان مجموعه‌ای از درخت‌های تصمیم مبتنی بر روش بگینگ، و CatBoost به‌عنوان مدلی مبتنی بر تقویت گرادیانی همراه با منظم‌سازی که برای داده‌های بالینی جدولی مناسب است.
مدل تجمیعی استکینگ با استفاده از احتمال‌های پیش‌بینی‌شده خارج از بخش آموزش ساخته شد. برای هر بیمار در مجموعه آموزشی، ویژگی‌هایی که به مدل سطح دوم داده می‌شدند، فقط شامل احتمال‌هایی بودند که مدل‌های پایه در زمانی تولید کرده بودند که داده‌های همان بیمار در بخش کنارگذاشته‌شده قرار داشت. این روش مانع می‌شد مدل سطح دوم بر اساس پیش‌بینی‌های بیش‌ازحد خوش‌بینانه حاصل از ارزیابی مدل روی داده‌های آموزشی خودش آموزش ببیند. خروجی احتمالاتی چهار مدل پایه وارد یک مدل رگرسیون لجستیک سطح دوم با جریمه L2 شد که احتمال نهایی ابتلا به اختلال اضطرابی هم‌زمان را برآورد می‌کرد. هر چهار مدل پایه ضرایب مثبت پس از اعمال جریمه داشتند. در میان آن‌ها، CatBoost بیشترین وزن را به خود اختصاص داد و پس از آن به‌ترتیب ماشین تقویت توضیح‌پذیر، جنگل تصادفی و ماشین بردار پشتیبان قرار گرفتند. تحلیل تنوع زوجی مدل‌ها نیز تأیید کرد که خروجی آن‌ها مکمل یکدیگر است و صرفاً پیش‌بینی‌های یکسان تولید نمی‌کنند. همبستگی میان احتمال‌های پیش‌بینی‌شده بین ۰٫۵۵ تا ۰٫۶۸، میزان اختلاف در پیش‌بینی‌ها بین ۰٫۲۴ تا ۰٫۳۳ و نرخ خطای مشترک دو مدل، موسوم به Double-fault، بین ۰٫۱۰۳ تا ۰٫۱۵۰ بود. آستانه‌های طبقه‌بندی با استفاده از شاخص یودن (Youden) در مجموعه آموزشی تعیین شدند و سپس بدون تغییر روی مجموعه اعتبارسنجی اعمال شدند.
مدل استکینگ در برآوردهای آموزشی خارج از بخش آموزش، به مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) برابر ۰٫۸۳۱ و امتیاز برایر (Brier) برابر ۰٫۱۵۱ دست یافت. در مجموعه اعتبارسنجی، این مدل از نظر عددی بهترین عملکرد را در میان تمام مدل‌های بررسی‌شده داشت. مقدار AUC آن ۰٫۸۴۶ با فاصله اطمینان ۹۵ درصد از ۰٫۷۸۹ تا ۰٫۸۹۴ بود. دقت کلی مدل به ۰٫۷۸۸، حساسیت به ۰٫۷۶۲، ویژگی به ۰٫۸۰۲، ارزش اخباری مثبت به ۰٫۶۵۸، ارزش اخباری منفی به ۰٫۸۷۱ و امتیاز F1 به ۰٫۷۰۶ رسید. امتیاز برایر نیز ۰٫۱۴۶ بود که کمترین مقدار در میان مدل‌های ارزیابی‌شده محسوب می‌شد. آزمون‌های زوجی دلانگ (DeLong) نشان دادند که عملکرد مدل استکینگ به‌طور معناداری بهتر از ماشین تقویت توضیح‌پذیر و ماشین بردار پشتیبان بود. برتری آن نسبت به جنگل تصادفی در مرز معناداری آماری قرار داشت، اما در مقایسه با CatBoost، که بهترین مدل منفرد بود، بهبود عملکرد محدود بود و از نظر آماری معنادار محسوب نمی‌شد. تحلیل منحنی تصمیم نشان داد که مدل استکینگ در محدوده آستانه‌های مرتبط با کاربرد بالینی، احتمالاً سود خالص بیشتری نسبت به دو راهبرد ارزیابی یا مداخله برای همه بیماران و عدم ارزیابی یا مداخله برای هیچ‌یک از بیماران دارد. بررسی کالیبراسیون نیز نشان‌دهنده همخوانی کلی خطرهای پیش‌بینی‌شده با خطرهای مشاهده‌شده بود، هرچند منحنی اعتبارسنجی نوسان‌های خفیفی داشت.
پژوهشگران برای مشخص کردن عواملی که بیشترین نقش را در خروجی مدل داشتند، تحلیل SHAP را روی کل فرایند استکینگ اجرا کردند. مقادیر این تحلیل در مقیاس لگاریتم نسبت شانس بیان شدند. غیبت از مدرسه بالاترین میانگین قدرمطلق مقدار SHAP را داشت و پس از آن نمره GAD-7 والدین و نمره CSI-24 قرار گرفتند. این یافته نشان می‌داد که اختلال در حضور و عملکرد مدرسه‌ای، علائم اضطراب والدین و شدت علائم جسمی کودک، مهم‌ترین عوامل مؤثر بر پیش‌بینی مدل بودند. ارتباط درد با فشار روانی، مدت تداوم علائم، دفعات درد، نمره SDSC، سن و بیدار شدن شبانه بر اثر درد نیز در میان عوامل اصلی قرار داشتند. به‌طور کلی، مقادیر بالاتر این متغیرها پیش‌بینی مدل را به سمت احتمال بیشتر ابتلا به اضطراب سوق می‌داد. همبستگی میان متغیرهای پیش‌بینی‌کننده از ضعیف تا متوسط بود و هیچ‌یک از ضرایب همبستگی از ۰٫۶۰ فراتر نرفت. قوی‌ترین همبستگی، با مقدار ۰٫۵۵، میان غیبت از مدرسه و نمره CSI-24 مشاهده شد. نویسندگان تأکید می‌کنند که اعتبارسنجی مدل تنها با داده‌های داخلی انجام شده و ماهیت مشاهده‌ای پژوهش اجازه نتیجه‌گیری درباره روابط علت و معلولی را نمی‌دهد. همچنین AUC اندکی بالاتر در مجموعه اعتبارسنجی ممکن است ناشی از تغییرات تصادفی نمونه‌گیری، به دلیل اندازه متوسط نمونه اعتبارسنجی و استفاده از یک تقسیم‌بندی تصادفی واحد، باشد. پیش از استفاده بالینی از این مدل، لازم است اعتبار آن در مراکز مستقل بررسی شود، روش‌های تشخیصی استانداردسازی شوند و مطالعات آینده‌نگر ارزیابی کنند که آیا طبقه‌بندی خطر با کمک مدل واقعاً تصمیم‌گیری برای ارجاع بیماران و نتایج درمانی را بهبود می‌بخشد یا خیر. هدف این مدل جایگزینی ارزیابی بالینی نیست، بلکه کمک به متخصصان برای شناسایی بیمارانی است که ممکن است به بررسی روان‌شناختی دقیق‌تری نیاز داشته باشند.
موضوع پژوهش: کاربرد یادگیری ماشین برای شناسایی اختلال اضطرابی هم‌زمان در کودکان مبتلا به اختلالات درد عملکردی شکم
عنوان مقاله علمی: مدل یادگیری ماشین استکینگ برای شناسایی اختلال اضطرابی هم‌زمان در کودکان و نوجوانان مبتلا به اختلالات درد عملکردی شکم
منبع مقاله علمی: وو، و.، یه، ک.، لین، ش.، لی، س.، وانگ، ش. و لیو، ش. (۲۰۲۶). «مدل یادگیری ماشین استکینگ برای شناسایی اختلال اضطرابی هم‌زمان در کودکان و نوجوانان مبتلا به اختلالات درد عملکردی شکم». Frontiers in Psychiatry، جلد ۱۷، مقاله شماره ۱۹۰۴۱۷۴. https://doi.org/10.3389/fpsyt.2026.1904174
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.3389/fpsyt.2026.1904174
کلیدواژه‌ها: یادگیری ماشین، اختلال اضطرابی، کودکان و نوجوانان، اختلالات درد عملکردی شکم، مدل تجمیعی استکینگ، LASSO، SHAP، معیارهای رم ۴، گوارش کودکان، مدل‌سازی پیش‌بینی، استکینگ، ماشین