خشونت در بخش‌های بستری روانپزشکی یک مشکل جدی و رایج است که ایمنی بیماران و کارکنان را به خطر می‌اندازد. توانایی پیش‌بینی بیمارانی که در معرض خطر بروز رفتارهای خشونت‌آمیز قرار دارند، می‌تواند به مراکز درمانی کمک کند تا با اتخاذ تدابیر پیشگیرانه، مانند تنظیم سطح کارکنان یا اجرای استراتژی‌های تنش‌زدایی، از وقوع این حوادث جلوگیری کرده و شدت آن‌ها را کاهش دهند. مدل‌های یادگیری ماشین، به‌ویژه آن‌هایی که بر پایه پردازش زبان طبیعی (NLP) عمل می‌کنند، قادرند با تحلیل یادداشت‌های بالینی، احتمال بروز خشونت را در هر بیمار ارزیابی کنند.

با این حال، یک چالش اساسی در این مسیر وجود دارد: مدل‌های یادگیری ماشین برای دستیابی به دقت بالا به حجم زیادی از داده‌های متنوع نیاز دارند. در حوزه پزشکی، داده‌ها به دلیل قوانین سخت‌گیرانه حفظ حریم خصوصی و ماهیت حساس اطلاعات بیماران، معمولاً در بیمارستان‌ها و مراکز درمانی مختلف محبوس می‌مانند و به اشتراک گذاشته نمی‌شوند. این پدیده که به “سیلوهای داده” (Data Silos) معروف است، مانعی بزرگ برای توسعه مدل‌های هوش مصنوعی قدرتمند و قابل تعمیم است.

این مقاله یک راه‌حل نوآورانه برای این مشکل ارائه می‌دهد: یادگیری فدرال (Federated Learning – FL). یادگیری فدرال یک رویکرد غیرمتمرکز برای آموزش مدل‌های هوش مصنوعی است که به چندین مرکز اجازه می‌دهد تا روی ساخت یک مدل مشترک و قوی همکاری کنند، بدون آنکه نیاز به اشتراک‌گذاری داده‌های خام و حساس خود داشته باشند. این مقاله برای اولین بار، کاربرد این تکنیک را در حوزه پردازش زبان طبیعی بر روی یادداشت‌های بالینی روانپزشکی برای پیش‌بینی خطر خشونت بررسی می‌کند و راه را برای همکاری‌های ایمن و مؤثر بین‌نهادی در آینده هموار می‌سازد.

این مقاله توسط تیمی از پژوهشگران برجسته به نام‌های توماس بورگر، پابلو موستیرو، هیسم کایا، امیل ریکن، آلبرت علی صلاح، فلورتیه شیپرز و مارکو اسپرویت به رشته تحریر درآمده است. این تحقیق در تقاطع چندین حوزه علمی پیشرفته قرار دارد:

• یادگیری ماشین (Machine Learning): استفاده از الگوریتم‌های پیشرفته برای ساخت مدل‌های پیش‌بینی‌کننده.
• پردازش زبان طبیعی (Natural Language Processing): تمرکز بر تحلیل و درک متن‌های بدون ساختار مانند یادداشت‌های پزشکان.
• علوم کامپیوتر و جامعه (Computers and Society): بررسی پیامدهای اجتماعی و اخلاقی فناوری، به‌ویژه حفظ حریم خصوصی.
• روانپزشکی بالینی (Clinical Psychiatry): کاربرد مستقیم فناوری برای حل یک مشکل واقعی در محیط‌های درمانی.

این ماهیت میان‌رشته‌ای به مقاله عمق و اعتبار ویژه‌ای بخشیده و نشان‌دهنده تلاشی هماهنگ برای پل زدن میان دنیای فناوری و نیازهای عملی حوزه سلامت روان است.

پژوهشگران در این مقاله به بررسی این مسئله می‌پردازند که چگونه می‌توان بدون نقض حریم خصوصی بیماران، از داده‌های بالینی چندین بیمارستان برای ساخت یک مدل دقیق پیش‌بینی خشونت بهره برد. آن‌ها یک محیط بین‌نهادی روانپزشکی را شبیه‌سازی کردند تا بتوانند رویکردهای مختلف را در شرایطی کنترل‌شده مقایسه کنند.

در این تحقیق، چهار نوع مدل آموزش داده و با یکدیگر مقایسه شدند: دو مدل محلی (هر کدام فقط با داده‌های یک بیمارستان فرضی)، یک مدل فدرال (آموزش‌دیده به صورت مشترک و غیرمتمرکز) و یک مدل متمرکز (که در آن فرض می‌شود تمام داده‌ها در یک مکان جمع‌آوری شده‌اند). نتایج به‌دست‌آ آمده نشان داد که مدل فدرال عملکردی به مراتب بهتر از مدل‌های محلی دارد. مهم‌تر از آن، عملکرد این مدل بسیار نزدیک به مدل متمرکز بود؛ مدلی که به عنوان “استاندارد طلایی” در نظر گرفته می‌شود اما در عمل به دلیل محدودیت‌های حریم خصوصی قابل پیاده‌سازی نیست. این یافته‌ها قویاً نشان می‌دهند که یادگیری فدرال می‌تواند با موفقیت برای تحلیل یادداشت‌های بالینی در یک محیط بین‌نهادی به کار گرفته شود و گامی مهم به سوی کاربردهای جدید هوش مصنوعی در پزشکی محسوب می‌شود.

برای ارزیابی کارایی یادگیری فدرال، محققان یک چارچوب آزمایشی دقیق و هوشمندانه طراحی کردند. این روش‌شناسی شامل چند جزء کلیدی بود:

• شبیه‌سازی محیط بین‌نهادی: از آنجا که اجرای آزمایشی واقعی در چندین بیمارستان با چالش‌های لجستیکی و قانونی فراوانی همراه است، پژوهشگران یک محیط شبیه‌سازی‌شده ایجاد کردند. آن‌ها یک مجموعه داده بزرگ را به دو بخش تقسیم کردند تا دو بیمارستان مستقل را شبیه‌سازی کنند. این کار به آن‌ها اجازه داد تا نتایج را به صورت دقیق و تکرارپذیر مقایسه کنند.
• مدل‌های مورد مقایسه: چهار سناریوی مختلف برای آموزش مدل‌ها در نظر گرفته شد تا یک مقایسه جامع انجام شود:
  1. مدل محلی ۱ (Local Model 1): مدلی که فقط بر روی داده‌های “بیمارستان اول” آموزش دیده است. این مدل نماینده وضعیتی است که یک مرکز به‌تنهایی و بدون همکاری با دیگران فعالیت می‌کند.
  2. مدل محلی ۲ (Local Model 2): مشابه مدل قبلی، اما این بار فقط بر روی داده‌های “بیمارستان دوم” آموزش دیده است.
  3. مدل متمرکز داده (Data-Centralised Model): این مدل به عنوان معیار عملکرد ایده‌آل عمل می‌کند. در این سناریو، فرض بر این است که تمام داده‌های هر دو بیمارستان بدون هیچ محدودیتی در یک مکان جمع‌آوری شده و مدل بر روی کل این مجموعه داده آموزش می‌بیند. این مدل بالاترین دقت ممکن را نشان می‌دهد اما در دنیای واقعی غیرعملی است.
  4. مدل فدرال (Federated Model): این مدل، قلب این پژوهش است. در این رویکرد، یک مدل اولیه (جهانی) به هر دو بیمارستان ارسال می‌شود. هر بیمارستان این مدل را با داده‌های محلی خود به‌روزرسانی می‌کند. سپس، فقط پارامترهای آموخته‌شده (و نه داده‌های خام بیماران) به یک سرور مرکزی بازگردانده می‌شوند. سرور این پارامترها را با هم ترکیب (Aggregate) می‌کند تا مدل جهانی را بهبود بخشد. این فرآیند چندین بار تکرار می‌شود تا مدل به عملکردی بهینه دست یابد.
• تکنیک‌های پردازش زبان طبیعی: از آنجایی که داده‌های ورودی، یادداشت‌های متنی پزشکان و پرستاران بودند، از مدل‌های پیشرفته NLP برای استخراج ویژگی‌های معنادار از متن و تبدیل آن‌ها به اطلاعات قابل فهم برای الگوریتم‌های یادگیری ماشین استفاده شد.

نتایج این تحقیق بسیار امیدوارکننده و معنادار بودند و می‌توان آن‌ها را در سه نکته کلیدی خلاصه کرد:

• برتری چشمگیر مدل فدرال بر مدل‌های محلی: نتایج به وضوح نشان دادند که مدل فدرال در پیش‌بینی حوادث خشونت‌آمیز بسیار دقیق‌تر از هر یک از مدل‌های محلی عمل می‌کند. این امر ثابت می‌کند که همکاری بین مراکز درمانی، حتی به صورت غیرمستقیم و با حفظ حریم خصوصی، می‌تواند به ساخت مدل‌های هوش مصنوعی بسیار قدرتمندتر منجر شود. مدل فدرال با یادگیری از الگوهای موجود در هر دو مجموعه داده، به درک جامع‌تری از عوامل خطر دست یافت.
• عملکرد تقریباً معادل با مدل متمرکز: شگفت‌انگیزترین یافته این بود که عملکرد مدل فدرال بسیار نزدیک و قابل رقابت با مدل متمرکز بود. این بدان معناست که می‌توان تقریباً تمام مزایای تجمیع داده‌ها را بدون به خطر انداختن حریم خصوصی بیماران به دست آورد. یادگیری فدرال توانست شکاف عملکردی ناشی از جداسازی داده‌ها را با موفقیت پر کند.
• اثبات کاربردی بودن یادگیری فدرال برای NLP بالینی: این پژوهش برای اولین بار نشان داد که یادگیری فدرال یک روش عملی و مؤثر برای آموزش مدل‌های NLP بر روی داده‌های متنی بالینی است. این موفقیت، راه را برای تحقیقات آینده در زمینه‌های مشابه، مانند پیش‌بینی بیماری، تحلیل پاسخ به درمان، و سایر کاربردهای مبتنی بر تحلیل متون پزشکی، هموار می‌کند.

این مقاله صرفاً یک پژوهش نظری نیست، بلکه دستاوردهای آن پیامدهای عملی گسترده‌ای برای آینده مراقبت‌های بهداشتی و هوش مصنوعی دارد:

• افزایش ایمنی در محیط‌های روانپزشکی: کاربرد اصلی این فناوری، ساخت ابزارهای کمکی برای تیم‌های بالینی است. یک سیستم پیش‌بینی دقیق می‌تواند به صورت خودکار به کادر درمان در مورد بیمارانی که در معرض خطر بالاتری قرار دارند هشدار دهد. این امر به آن‌ها اجازه می‌دهد تا منابع خود را بهتر تخصیص دهند و با مداخلات به‌موقع، از تشدید تنش‌ها جلوگیری کنند.
• امکان‌پذیر ساختن همکاری‌های تحقیقاتی نوین: این رویکرد یک الگوی جدید برای همکاری بین بیمارستان‌ها، دانشگاه‌ها و مراکز تحقیقاتی ارائه می‌دهد. محققان می‌توانند مدل‌های قدرتمندی برای طیف وسیعی از بیماری‌ها بسازند بدون آنکه با موانع قانونی و اخلاقی اشتراک‌گذاری داده‌های بیماران مواجه شوند.
• پیشبرد هوش مصنوعی مسئولانه و حافظ حریم خصوصی: این تحقیق نمونه‌ای برجسته از هوش مصنوعی مسئولانه (Responsible AI) است. این نشان می‌دهد که می‌توان همزمان به پیشرفت‌های فناورانه و حفظ اصول اخلاقی و حریم خصوصی دست یافت. این دستاورد اعتماد عمومی به استفاده از هوش مصنوعی در پزشکی را افزایش می‌دهد.

این مقاله با موفقیت نشان می‌دهد که یادگیری فدرال یک استراتژی قدرتمند و عملی برای توسعه مدل‌های پیش‌بینی‌کننده در حوزه روانپزشکی است. با استفاده از این رویکرد، می‌توان بر چالش بزرگ “سیلوهای داده” غلبه کرد و مدل‌هایی ساخت که از دانش جمعی چندین مؤسسه بهره می‌برند، در حالی که حریم خصوصی بیماران به طور کامل حفظ می‌شود.

یافته‌های این پژوهش، به‌ویژه عملکرد بسیار نزدیک مدل فدرال به مدل متمرکز، تأییدی بر پتانسیل عظیم این فناوری است. این کار یک گام مهم به جلو در جهت پیاده‌سازی سیستم‌های هوش مصنوعی پیشرفته، ایمن و اخلاقی در محیط‌های بالینی حساس به شمار می‌رود و درهای جدیدی را به روی نسل بعدی نوآوری‌ها در پزشکی دیجیتال می‌گشاید.