سارا حسنزاده، ماهمنیر حقیقی، حجت شفیعپور، مریم فرامرزپور،
دوره 81، شماره 1 - ( 1-1402 )
چکیده
زمینه و هدف: با توجه به شیوع بالای مشکلات روانپزشکی، در این مطالعه برآن شدیم تا ارتباط شدت افسردگی، اضطراب و استرس با نتایج اسکنهستهای پرفیوژن قلبی را در بیماران مراجعهکننده به مرکز آموزشی-درمانی بیمارستان امام خمینی (ره) ارومیه بررسی کنیم.
روش بررسی: در این مطالعه مقطعی-تحلیلی، 163 نفر از بیمارانی که از فروردین تا تیر 1400 جهت انجام اسکنهستهای به مرکز آموزشی-درمانی بیمارستان امام خمینی ارومیه ارجاع داده شدند، با استفاده از پرسشنامه DASS-21 از نظر میزان ابتلا به افسردگی، اضطراب و استرس موردبررسی قرار گرفتند. درنهایت، دادههای بهدستآمده با استفاده از SPSS software, version 20 (SPSS Inc., Chicago, IL, USA) موردتجزیهوتحلیل قرار گرفت.
یافتهها: طبق نتایج بهدست آمده، میانگین سنی بیماران 54/11±78/54 سال بود که 73% از آنها زن بودند. درحالتکلی، شیوع افسردگی، اضطراب و استرس بالا بوده و بهترتیب 4/72%، 3/80% و5/59% بهدست آمد. اگرچه، این شیوع در بیماران با گزارش منفی ایسکمی بیشتر و بهترتیب 2/73%، 7/78% و 3/58% ارزیابی شد، با اینحال، تفاوت معناداری با گروهی که نتیجه اسکن قلبی آنها مثبت بود، یافت نشد. همچنین، همبستگی مثبت ضعیفی بین شدت افسردگی، اضطراب و استرس با شدت ایسکمی قلبی در بیماران مشاهده شد.
نتیجهگیری: نتایج نشان داد که بسیاری از افراد مشکوک به بیماری ایسکمی قلبی که به مرکز اسکنهستهای ارجاع داده شدند، درگیر اختلالات روانشناختی بودند و نتیجه اسکنهستهای آنها منفی گزارش شد (9/77%). بنابراین درنظرگرفتن احتمال اختلالات روانشناختی با تظاهرات بالینی تقلیدکننده قلبی-عروقی و متعاقباً پیگیریهای روانپزشکی مربوطه میتواند در این دسته از بیماران مانع از تحمیل هزینههای اضافی جهت اقدامات تشخیصی و درمانی مانند اسکن پرفیوژن قلبی شود.
محسن سادات شهابی، احمد شالباف،
دوره 82، شماره 2 - ( 2-1403 )
چکیده
زمینه و هدف: اختلال افسردگی عمده یکی از شایعترین و ناتوانکنندهترین اختلالات روانی میباشد. باتوجه به کاهش کیفیت زندگی این بیماران و ماهیت پیشرونده این بیماریها، تشخیص به هنگام و درمان موثر این بیماری روانی ضروری میباشد. در این پژوهش از سیگنالهای مغزی افراد برای تشخیص دقیق ابتلا به اختلال افسردگی عمده با استفاده از روشهای هوش مصنوعی استفاده میشود.
روش بررسی: در این مطالعه تحلیلی که از شهریور 1402 تا اسفند 1402 در دانشکده پزشکی دانشگاه علوم پزشکی شهیدبهشتی انجام شده است، وجود اختلال افسردگی عمده در 58 مراجعهکننده به کلینیک روانپزشکی با استفاده از مصاحبه حضوری با روانپزشک متخصص بررسی شد و 30 نفر با اختلال افسردگی عمده تشخیص داده شدند. سیگنال مغزی الکتروانسفالوگرام از این افراد ثبت شده و پس از پیشپردازش و تمیز شدن سیگنال بهعنوان ورودی به مدلهای هوش مصنوعی داده شد. مدلهای هوش مصنوعی EEGNet، ShallowConvNet و DeepConvNet که مبتنی بر مدلهای یادگیری عمیق کانولوشنی توسعه یافتند، برای دستهبندی سیگنالهای مغزی افراد سالم و افسرده استفاده شدند. دقت دستهبندی این مدلها روی داده تست جداگانه گزارش شده است.
یافتهها: دقت تفکیک سیگنال مغزی افراد سالم و افسرده توسط مدلهای EEGNet، ShallowConvNet و DeepConvNet بهترتیب برابر 3/92%، 2/83% و 2/92% میباشد. همچنین مدل EEGNet با حساسیت 9/98% و ویژگی 1/79% بهترین عملکرد را در میان مدلهای بررسی شده داشته است.
نتیجهگیری: دستهبندی افراد افسرده و سالم از روی سیگنال EEG با دقت بالا و بهصورت تعمیمپذیر امکانپذیر است و مدلهای هوش مصنوعی پیشنهاد شده میتوانند در کلینیکهای روانپزشکی بهعنوان ابزارهای کمک تشخیصی مورد استفاده قرار گیرند.
