بررسی اثر اختلالات روانی بر بروز بیماری های جسمی در همبودی های دوگانه با استفاده از یادگیری ماشینی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه: مقدمه: تحقیقات نشان داده اند که اختلالات روانی می توانند باعث بروز بیماری های جسمی شوند. از سوی دیگر، بسیاری از بیماری های جسمی نیز با یکدیگر همبودی دارند. این مطالعه با هدف بررسی اثر ارتباطات اختلالات روانی در بروز بیماری های جسمی در همبودی های دوگانه انجام شد. روش: مطالعه حاضر از نوع زمینه یابی- همبستگی بود. جامعه آماری شامل زنان و مردان بزرگسال 18 تا 80 سال، ساکن شهر تهران بودند که در شش ماهه اول سال 1399 به علت بیماری به مراکز درمانی مراجعه کرده بودند. نمونه گیری خوشه ای در دسترس بود. کل شرکت کنندگان در طرح 304 نفر بودند که تعداد گروه همبودی دوگانه (2 مورد ابتلا) 110 نفر بود. ابزارهای اندازه گیری شامل چک لیست استاندارد بیماری های جسمی و فهرست علائم بالینی scl -90 می باشد. جهت تجزیه و تحلیل اطلاعات از شیوه یادگیری ماشینی استفاده شد. یافته ها: نتایج نشان داد که بیش از همه بروز فشارخون و سردرد تحت تاثیر پرخاشگری، مشکلات قلبی و آرتروز تحت تاثیر افسردگی، دیابت تحت تاثیر اضطراب، مشکلات تنفسی و گوارشی تحت تاثیر ترس مرضی، چاقی و آلرژی تحت تاثیر وسواس، و بیماری های پوستی تحت تاثیر مشکلات تعاملی قرار دارند. نتیجه گیری: با توجه به نتایج مشخص می گردد که بروز بیماری های جسمی در همبودی های دوگانه تحت تاثیر اختلالات روانی قرار دارند. درک این موجب ارتقای بینش ما شده و کاربردهای عملی در آسیب شناسی و طراحی مداخلات خواهد داشت.Investigating the Effect of Mental Disorders on the Occurrence of Physical Diseases in Dual Comorbidities by Using Machine Learning
Objectives: Researches have shown that mental disorders can lead to physical diseases. On the other hand, many physical diseases also coexist with each other. This study aims to investigate the effect of mental disorders on the occurrence of physical diseases in dual comorbidities. Method: The present study was a survey-correlation study. The statistical population included men and women aged 18 to 80, residing in Tehran, who had visited medical centers due to illness in the first six months of 2019. Sampling conducted in a cluster form. The total number of participants in the project was 304 people that the number of dual comorbidity group (coexist of two diseases) was 110 people. Research tools included the standard physical illness checklist and the SCL-90 clinical symptom inventory. Machine learning used for data analyze. This work did with the help of Python-3.7.4 software and Scikit-learn-0.23.0 program. In order to check the hypotheses of the research, the random forest model strategy (Random Forest) used for machine learning. Results: The results showed that embodied diseases related to psychological problems and the pattern of psychological disorders in these patients could predicted. In this study, it determined that blood pressure and headache influenced by aggression, heart problems and arthritis related to depression, diabetes related to anxiety pattern, respiratory and digestive problems influenced by phobia, obesity and allergies related to obsession; and finally, skin diseases affected by interactive and interpersonal problems. In addition, a pattern of physical diseases identified by examining psychological disorders. The results showed that interpersonal interactions, obsession and anxiety have the most relationship with the incidence of obesity; depression has the greatest effect on heart diseases, phobia related to respiratory diseases, and aggression also related to diabetes. But interestingly, the highest correlation and the most significant pattern saw between obsession and obesity. Conclusion: With the help of machine learning method, this research showed that there are significant relationships between physical diseases and psychological disorders, as patterns of these relationships can inferred. The understanding and identification of these dual comorbidities will not only improve our knowledge in the boundaries of knowledge, but also have practical applications in pathology, treatment and design of special interventions for physical and psychological disorders. Also, the alignment of these results with previous research literature is a confirmation of the application of machine learning in later psychology and health studies
تبلیغات
