מודל למידה עמוקה שאומן על סריקות מוח ומבחנים קוגניטיביים יכול לעזור להגן על כבאים בסיכון לאלכוהוליזם, ולשנות את האופן שבו מקצועות במתח גבוה מתייחסים לבריאות הנפש.
מחקר: חיזוי סיכון להפרעת שימוש באלכוהול בקרב כבאים באמצעות מודל למידה עמוקה רב-מודאלית: מחקר חתך. קרדיט תמונה: Tsuguliev/Shutterstock.com
כבאים עוברים טראומה כרונית וחוזרת בחייהם המקצועיים, מה שמציב אותם בסיכון גבוה להפרעת שימוש באלכוהול (AUD). מחקר שפורסם לאחרונה ב גבולות בפסיכיאטריה בוחן את השימוש במסגרת רב-מודאלית של למידה עמוקה להערכת סיכון AUD באופן אובייקטיבי.
מתח גורם להתמכרות
הכבאים מתמודדים עם חשיפה מתמשכת למצבי חירום ואסונות, מה שמוביל ללחץ נפשי משמעותי ומצטבר. הדרישות הפיזיות העזה והעומס הפסיכולוגי של עבודתם הופכים את הכבאים לפגיעים במיוחד לפיתוח הפרעות בריאות נפשיות, במיוחד AUD.
עדויות אפידמיולוגיות מראות שיעור גבוה בהרבה של בדיקות לבריאות הנפש בקרב צוותי בטיחות הציבור בהשוואה לאוכלוסייה הכללית. אחד מכל שבעה אנשים מסנן חיובי עבור הפרעה נפשית אחת או יותר, בעוד של-27% יש שתיים או יותר.
אלכוהול משמש לעתים קרובות כמנגנון התמודדות לא מסתגל כדי לסייע בהתמודדות עם טראומה ומתח. כבאים עשויים לפנות לאלכוהול להקלה זמנית, מכיוון שהוא יכול להפחית עוררות יתר, זיכרונות פולשניים עמומים של אירועים טראומטיים ולהקל על מצוקה רגשית. תרבות הכבאים מנרמלת שתייה כשיוצאים מהשירות הפעיל, אבל גם מונעת גילויי פגיעות. זה מוביל למצב שבו זה בסדר גם לשתות בתור כבאי, אבל מביש להודות ב-AUD.
זה מונע מכבאים לבקש עזרה עבור ה-AUD שלהם, או אפילו להודות בכך, מחשש שיהרוס להם את הקריירה. עם זאת, AUD מהווה סיכון רציני לכבאים בודדים ולצוותים שלהם, תורם להתנהגויות מסוכנות כמו נהיגה בשכרות, הגברת מחשבות או פעולות אובדניות, וסבירות גבוהה יותר לאירועים טראומטיים.
נכון לעכשיו, מיון AUD מסתמך על דיווח עצמי באמצעות שאלונים. עם זאת, המשתתפים חוששים מהשלכות חברתיות ומבוססות קריירה או מאובדן התדמית שלהם אם הם מודים שיש להם AUD. שיטות מיון אובייקטיביות עדיפות לפיכך, ואלה שאינן מטילות סטיגמה על המשתתף מועילות במיוחד. סמנים התנהגותיים וביולוגיים, כגון MRI מבני והערכות נוירופסיכולוגיות, הם כלים מבטיחים המהווים חלק מהמחקר הנוכחי.
מודל רב-מודאלי זה תוכנן להשתמש בנתונים ביולוגיים כדי לסנן כבאים לסיכון גבוה של AUD.
מיפוי סיכונים באמצעות נתונים
מחקר דרום קוריאני זה ניתח נתונים מבניים של הדמיית MRI, בשילוב עם בדיקות נוירופסיכולוגיות סטנדרטיות, מקבוצה ארצית של 689 כבאים בשירות פעיל. זה הופך אותו למחקר השני בגודלו של כבאים עבור מודל חיזוי AUD. הגיל הממוצע היה 43 שנים, כאשר רוב המשתתפים היו גברים.
הכבאים עברו הדמיית MRI מבנית במשקל T1. הם גם השלימו את מבחן ה-Grooved Pegboard כדי להעריך את התיאום הוויזואלי-מוטורי שלהם ואת מבחן יצירת השבילים כדי להעריך את התפקוד הביצועי שלהם. הם סיימו את מבחן זיהוי הפרעות השימוש באלכוהול (AUDIT), שפותח על ידי ארגון הבריאות העולמי (WHO) כדי לבדוק תלות והתמכרות לאלכוהול.
המשתתפים רובדו לאלו עם סיכון אלכוהול וסיכון ללא אלכוהול, המהווים 57% ו-43%, בהתאמה.
המחקר השתמש במודל למידת מכונה חדשנית אשר מינפה את היתרונות הסינרגטיים של רכישת סוגים שונים של נתונים. זה כלל:
- ResNet-50 רשתות עצביות קונבולוציוניות שחילצו דפוסים מורפולוגיים של המוח, שכבה אחר שכבה
- מודולי Vision Transformer לזיהוי אנטומיה רחבה של המוח, המקשרים חלקים שונים זה לזה
- משתנים קליניים המשמשים להפקת פרצפטרון רב שכבתי, המזהים דפוסים בנתונים מספריים.
מערכת רב-מודאלית זו, המכונה "היתוך שיתופי", משלבת נתונים קליניים והדמיה כדי לפרש אותם בצורה קלינית רלוונטית. הוא שילב דפוסי מוח ושונות קליניות דרך האינטראקציות שלהם, מה שאיפשר חיזוי מדויק יותר של סיכון AUD.
AI מזהה סימני אזהרה מוקדמים
המערכת המולטי-מודאלית סיווגה כבאים בסיכון ל-AUD עם דיוק של ~80%. גם כוח ההבחנה שלה היה 80%. זה מייצג שיפור של 17 נקודות אחוז בחיזוי AUD בהשוואה לקליניים בלבד או בהדמיה עצבית בלבד, ב-~62% כל אחד.
האינטראקציה הסינרגטית של סוגי הנתונים השונים הללו אחראית לדיוק המוגבר, ומראה שלא מדובר רק בתוספת של נתונים נוספים. המודל תפס דפוסים מבניים מקומיים וגלובליים מנתוני MRI ושילב אותם ביעילות, תוך ביטול הצורך בסריקת MRI פונקציונלית מורכבת ותובענית יותר מבחינה חישובית (fMRI).
הבדיקות הנוירופסיכולוגיות גם סיפקו תחליף מספק לתפקוד הנוירולוגי, ופיצוי נוסף על היעדר fMRI.
שימוש בהדמיה עצבית לבדה הוביל לדפוסי הפעלה אקראיים, מה שמצביע על כך ש-AUD מוקדם מייצר שינויים עדינים ומפוזרים מדי כדי לספק אפליה מספקת כדי לסווג את הסיכון של AUD באופן מדויק בפני עצמו.
לעומת זאת, שימוש במאפיינים קליניים בלבד הוביל לשימוש במין ובתיאום מוטורי כסממני הניבוי החשובים ביותר. מבחן ה-Grooved Pegboard חשפה שינויים רגישים ביד הלא דומיננטית, המצביעים על סימנים מוקדמים של נזק נוירולוגי עם AUD.
ניתוחי פרשנות של מודלים כגון מיפוי Class Activation Class משוקלל (Grad-CAM) ו-SHapley Additive ExPlanations (SHAP) הראו עוד שדגמי הדמיה חד-מודאליים יצרו דפוסי הפעלה מפוזרים ולא ספציפיים. לעומת זאת, המודל המולטי-מודאלי המשולב זיהה דפוסים ברורים, בעלי משמעות ביולוגית, תוך הדגשת קואורדינציה מינית ומוטורית כמאפייני חיזוי מרכזיים.
שוב, התוצאות מדגישות את החשיבות של דפוסי סיכון ספציפיים למין עבור AUD בכבאים. ידוע כי מסלולי פירוק אלכוהול, נוירורעילות של אלכוהול וסיכון להתמכרות משתנים לפי מין.
החוקרים גם העריכו כיול מודל וניתוח עקומת החלטה, והראו שהגישה המולטי-מודאלית שמרה על דיוק וערך קליני על פני מגוון רחב של הסתברויות סף. הוא עלה באופן עקבי על מודלים חד-מודאליים על-ידי הפחתת תוצאות חיוביות שגויות ושליליות שגויות, בעוד שהדיוק של מודלים קליניים בלבד והדמייה עצבית בלבד ירד בספים גבוהים יותר.
זה מצביע על כך שמודל למידת מכונה פשוט יחסית זה רלוונטי לשימוש קליני. זהו צעד חשוב קדימה, בהתחשב בכך שהמורכבות של fMRI הייתה חיסרון ליישום הקליני של גישות מולטי-מודאליות. זה משווה לטובה עם מחקר מוקדם יותר המשלב MRI מבני ותפקודי כדי לסווג משתתפים לפי אבחנה פסיכיאטרית.
דרך בטוחה יותר למניעה
המחקר הנוכחי מציג מסגרת חדשנית למידת מכונה רב-מודאלית המשלבת הדמיה עצבית מבנית עם מבחנים נוירופסיכולוגיים של תפקוד ספציפי ל-AUD. זה סיפק ביצועי סיווג טובים יותר בהשוואה לפרוטוקולים קליניים בלבד או הדמיה עצבית בלבד. זה מקטין משאבי חישוב וזמן רכישת תמונה.
המודל הרב-מודאלי ResNet-50 + ViT + MLP עלה משמעותית על המודלים הקליניים בלבד ותמונתם בלבד.
נדרשים מחקרים גדולים יותר כדי לחדד גישה זו, ובכך להגביר את הדיוק ולמנוע התערבויות מיותרות בקריירה. נכון לעכשיו, הוא מתאים ביותר לחיזוי סיכון נוכחי ולא פרוספקטיבי, לאור שיעור הסיווג השגוי של 20%.
נדרשים גם מחקרי עלות-תועלת. נכון להיום, זה ידרוש 150 מסכים כדי למנוע אירוע תעסוקתי חמור אחד ברמות חסכוניות. זה לא לוקח בחשבון השפעות מדורגות, כגון מניעת סיכונים ופציעות תעסוקתיות, בטיחות מוגברת, חשיפה נמוכה יותר לאחריות, ופריון גבוה יותר ומוכנות תפעולית.
עם זאת, זה מציע "מסלול פרגמטי ליישום סקר AUD אובייקטיבי באוכלוסיות תעסוקתיות בסיכון גבוה עם השלכות רחבות יותר על ריבוד סיכון פסיכיאטרי במקצועות החשופים לטראומה." ניתן להשתמש בפרוטוקולי סקר קצרים יותר במהלך בדיקות רפואיות שגרתיות כדי לשמור על דיוק תוך שיפור היתכנות וישימות, מעבר לכבאים לאנשי מקצוע אחרים בסיכון גבוה.
הורד את עותק ה-PDF שלך עכשיו!
