تبدیل پیشرفت‌های علوم اعصاب به درمان هایی کاربردی برای بیماران مبتلا به بیماری‌های روانی چالش‌های زیادی به همراه دارد زیرا این موضوع شامل پیچیده‌ترین عضو بدن یعنی مغز و تعامل‌های آن با محیطی به همین اندازه پیچیده می شود. این چالش‌های نظری و تحلیلی داده‌ای بدون مدل‌سازی محاسباتی و ابزارهای محاسباتی قوی، غیرقابل عبور هستند.

در دهه گذشته، مدل‌های محاسباتی در پژوهش‌های روان‌پزشکی برجسته‌تر شده‌اند و با هم‌راستا شدن با انقلاب صنعتی چهارم، به تدریج به راه‌حل‌های بالینی و تجاری برای روان‌پزشکی نفوذ می‌کنند. مقابله با پیچیدگی‌های کارکرد مغز به فن‌آوری‌های قدرتمند نیاز دارد زیرا که سلامت روان تنها به عملکرد مغزوابسته نیست، بلکه به اینکه این عملکرد چگونه با چالش‌های زیست‌محیطی و تجربی فرد ارتباط دارد نیز وابسته است. در نتیجه، درک سلامت روان و اختلال آن به پیوند سطوح متعددی که با هم تعامل دارند، از مولکول‌ها تا سلول‌ها، مدارها، شناخت، رفتار و محیط فیزیکی و اجتماعی وابسته است. روانپزشکی محاسباتی با ترکیب چندین سطح و نوع محاسبات با چندین نوع داده در تلاش برای بهبود درک، پیش‌بینی و درمان بیماری‌های روانی است. روانپزشکی محاسباتی، به طور کلی، شامل دو رویکرد مکمل است:

1-رویکردهای مبتنی بر داده

2-رویکردهای نظری

رویکردهای مبتنی بر داده از روش‌های یادگیری ماشین برای داده‌هایی با ابعاد بالا استفاده می‌کنند تا طبقه‌بندی بیماری‌ها را بهبود ببخشند، نتایج درمان را پیش‌بینی کنند یا انتخاب درمان را بهبود دهند. این رویکردها معمولاً نسبت به مکانیزم‌های بنیادی بی‌توجه هستند. در مقابل، رویکردهای نظری از مدل‌هایی استفاده می‌کنند که دانش قبلی یا فرضیات صریحی درباره چنین مکانیزم‌هایی را درچندین سطح نسخه‌برداری و تجزیه و تحلیل می‌کنند.

مدل‌سازی محاسباتی در روان‌پزشکی به دنبال دست‌یابی به اهداف مختلفی است که به طور کلی می‌توان آن‌ها را به چهار دسته تقسیم کرد:

1-مکانیسم:

بسیاری از مطالعات دانشگاهی به دنبال درک مکانیسم‌های زیستی هستند که باعث بیماری‌های روانی می‌شوند و غالباً به بررسی مکانیسم‌های عصبی که زیرساخت اختلالات ذهنی را تشکیل می‌دهند، می‌پردازند. هدف این روش‌ها درک نحوه بروز نقص در فرآیندهای مغز است که می‌تواند به توسعه بیومارکرهای بهتر برای تشخیص، پیشگیری و مداخلات درمانی کمک کند.

2-زیرمجموعه‌ سازی:

چالش دیرینه‌ای که روانپزشکی با آن مواجه است، این است که ما اطلاعات کمی درباره علل بیولوژیکی مشکلات سلامت روان داریم. راهنماهای تشخیصی کنونی تحت تأثیر هیچ مکانیزم نوروبیولوژیکی نیستند و تحلیل‌های صرفاً توصیفی آن‌ها از علائم به دلیل تردیدهایی در مورد اعتبار برچسب‌های تشخیصی مورد انتقاد قرار گرفته است. بنابراین، امید است که مدل‌های محاسباتی بتوانند تنوع طبقه‌بندی بیماری‌های روانی را با تولید معیارهای جدیدی که بیشتر عینی و مبتنی بر بیولوژی هستند، تجزیه و تحلیل کنند. این رویکردها عمدتاً به مدل‌های بدون نظارت، مانند خوشه‌بندی، متکی هستند که هدف آن‌ها کشف الگوهای معنی‌دار در داده‌ها است که سپس در برابر معیارهای خارجی، مانند نتایج درمان، ارزیابی می‌شوند.

3-پیش‌بینی وضعیت:

یک هدف مهم پیش‌بینی وضعیت سلامت روان است، چه به طور همزمان و چه قبل از بروز بیماری، به منظور پیش‌بینی تغییراتی که قرار است رخ دهند. پیش‌بینی بیماری‌های روانی قبل از بروز آن‌ها به ویژه اهمیت دارد، زیرا ممکن است به جلوگیری از دوره‌های نامطلوب بیماری به طور به‌موقع و کارآمد کمک کند. این تلاش‌ها بیشتر در زمینه روان‌پریشی زودهنگام استفاده می‌شود، جایی که وضعیت‌های پرخطر به خوبی مشخص شده‌اند و فرصت‌های بسیار ارزشمندی برای مداخلات پیشگیرانه فراهم می‌کنند.

4-تقسیم‌بندی درمان:

از دیدگاه درمانی، پیش‌بینی اینکه کدام بیمار از یک درمان خاص بهره‌مند خواهد شد، ضروری است. روانپزشکی مجموعه‌ای از درمان‌های غیر دارویی و دارویی را توسعه داده است، اما درصد قابل توجهی از بیماران از این درمان‌ها بهره‌مند نخواهند شد. پیدا کردن اینکه کدام بیماران از یک درمان خاص سود می‌برند معمولاً یک فرآیند زمان‌بر و دشوار است که نیاز به آزمایش و خطا دارد. بنابراین، امید است که مدل‌های محاسباتی بتوانند به بهبود پیش‌بینی‌های درمانی کمک کنند، چه برای انتخاب بین انواع مختلف استراتژی‌های درمانی (مانند روان‌درمانی در مقابل دارو) و چه برای انتخاب شکل خاصی از درمان (مانند مهارکننده‌های انتخابی بازجذب سروتونین در برابر مهارکننده‌های بازجذب سروتونین و نوراپی‌نفرین).

حال به این سوال می رسیم که چرا به مدل‌های محاسباتی نیاز داریم؟

مدل‌های محاسباتی سعی می‌کنند اطلاعات را با استفاده از معادلات ریاضی ساختاردهی کنند. با انجام این کار، مدل‌های محاسباتی یک ارتباط بین یک مجموعه از متغیرهای ورودی (مانند فعالیت عصبی، نتایج خودگزارشی و اطلاعات گوشی‌های هوشمند) و یک یا چند متغیر خروجی (مانند رفتار، تشخیص روانی و پاسخ درمان) توصیف می‌کنند. به دلیل اینکه این ارتباطات به‌صورت ریاضی مشخص شده‌اند، مدل‌های محاسباتی می‌توانند سنجش کنند که تا چه حد این متغیرهای خروجی را به‌خوبی نشان می‌دهند (یعنی تناسب مدل) و حتی چنین خروجی‌هایی را شبیه‌سازی کنند، که این امکان را برای ما فراهم می‌کند که این سیستم‌ها را بر روی کامپیوتر یا از طریق شبیه سازی کامپیوتری مورد بررسی قرار دهیم تا بهتر درک کنیم چگونه کار می‌کنند.

زیبایی مدل‌های محاسباتی به طور عمده در توانایی آن‌ها برای شناسایی الگوهای پنهان و معنی‌دار در داده‌های پیچیده نهفته است. اغلب، اطلاعات مرتبط با سلامت روان به طور مستقیم در داده‌های خام جمع‌آوری شده (مثلاً فعالیت مغز یا استفاده فعلی از رسانه‌های اجتماعی) قابل مشاهده نیستند، بلکه تنها از طریق جمع‌آوری و ادغام این داده‌های ورودی ها می‌توان الگوهای بالینی مفید را استخراج کرد. بنابراین، عملکرد مدل‌های محاسباتی فشرده سازی و جمع‌آوری داده‌ها است، اما همچنین تعیین ساختار تغییرات معنی‌دار است، که می‌تواند به پیش‌بینی پیشرفت‌های بالینی مرتبط کمک کند.

وجود روش‌های محاسباتی فراوان در روان‌پزشکی، پیمایش در این فضای پیچیده و در حال تغییر سریع را دشوار کرده و درک منحصر به فرد بودن در مقابل ارتباط این مدل‌ها را پیچیده‌تر می‌کند. برای دستیابی به یک چشم‌انداز شفاف از مدل‌سازی محاسباتی در روان‌پزشکی، نیاز به استانداردسازی دقیق‌تر استراتژی‌های مدل‌سازی و اجرای مقایسه‌پذیری است.

رویکردهای مبتنی بر داده‌ها شروع به ارائه نتایج قابل‌توجهی برای مشکلات بالینی مرتبط مانند بهبود طبقه‌بندی، پیش‌بینی پاسخ به درمان و کمک به انتخاب درمان کرده‌اند. با این حال، این رویکردها در توانایی خود برای درک پیچیدگی‌های متقابل متغیرها در سطوح مختلف محدود هستند. از سوی دیگر، تلاش‌های مدل‌سازی مبتنی بر نظریه، بینش‌های کلیدی را در سطوح مختلف تحلیل در مورد فرآیندهای اساسی اختلالات خاص ارائه داده‌اند، اما تا حد زیادی هنوز به مشکلات بالینی اعمال نشده‌اند. تغییر تمرکز در هر دو رویکرد از درک یا پیش‌بینی دسته‌های بیماری فعلی به سمت رویکردهای فراتحلیل و پیش‌بینی متغیرهای عملی و معتبر مانند نتایج درمان، بسیار امیدوارکننده به نظر می‌رسد.

ابزارهای محاسباتی محدودیت‌هایی دارند. آشکارترین مورد این است که نیاز به تخصص قابل توجهی دارند و اغلب برای افراد غیر متخصص شفاف نیستند. بنابراین، یکی از چالش‌های این حوزه، چگونگی تحریک تبادل مثمر ثمر بین پزشکان، آزمایش‌گران، محققین بالینی و نظریه‌پردازان است. این موضوع ممکن است با تمرکز قوی‌تر روی ایجاد سودمندی از طریق پیگیری فعال رویکردهای محاسباتی در آزمایش‌های بالینی کمک شود. علاوه بر این، ابزارهای محاسباتی یک راه‌حل کامل نیستند و از نیاز به تکرار مستقل معاف نیستند. با این حال، محبوبیت روزافزون کدها و پایگاه‌های داده‌های منبع باز، این تکرارها و ایجاد و توسعه روش‌های (بالینی) قوی‌تر را تسهیل خواهد کرد. به طور کلی، تعامل بین نظریه‌پردازان و پزشکان فرصت‌های زیادی را نوید می‌دهد و در نهایت منجر به نتایج بهتر برای بیماران خواهد شد.

References:

1-Computational psychiatry as a bridge from neuroscience to clinical applications – PMC

2-The promise of a model-based psychiatry: building computational models of mental ill health – ScienceDirect