Journal of Psychological Science

fa پیش‌بینی افسردگی پس از زایمان مبتنی بر متغیرهای چندگانه با استفاده از الگوریتم یادگیری ماشین Prediction of Postpartum Depression based on Multiple Variables Using Machine Learning Algorithm تخصصي Special پژوهشي Research <div style="text-align: justify;">زمینه: افسردگی پس از زایمان یکی از مشکلات رو به رشد سلامت روان زنان است که پیامدهای گسترده‌ای برای مادر و خانواده دارد. مطالعات پیشین عمدتاً به متغیرهای محدود پرداخته‌اند و از روش‌های تحلیلی سنتی استفاده کرده‌اند. این در حالی است که پیش‌بینی چندبعدی با بهره‌گیری از الگوریتم‌های یادگیری ماشین هنوز کمتر مورد توجه قرار گرفته است. هدف: این پژوهش باهدف پیش‌بینی افسردگی پس از زایمان مبتنی بر متغیرهای چندگانه روان‌شناختی، جمعیت شناختی، سبک زندگی و عوامل مامایی و زنان و زایمان با استفاده از الگوریتم یادگیری ماشین بوده است. روش: پژوهش حاضر از نوع پژوهش‌های همبستگی مبتنی بر الگوریتم یادگیری ماشین بود. جامعه آماری پژوهش را زنان بارداری تشکیل دادند که در فاصله‌ی هفته 34 بارداری به بالا بودند. تعداد 198 شرکت کننده بر مبنای روش نمونهگیری در دسترس انتخاب شدند و به پرسش‌نامه افسردگی پس از زایمان (ادینبورگ، 2003)، پرسش‌نامه اضطراب بارداری (وندنبرگ، 1989)، پرسش‌نامه کیفیت خواب (پترزبورگ، 1989) و پرسش‌نامه محقق ساخته در ماه آخر بارداری و 150 نفر از همان گروه، به پرسش‌نامه حمایت اجتماعی (شربون و استوارت، 1991)، افسردگی پس از زایمان (ادینبورگ، 2003) و پرسش‌نامه محقق ساخته‌ی دیگری بعد از زایمان پاسخ دادند. ویژگی‌های توصیفی داده‌های به دست آمده با استفاده از نرم‌افزار SPSS نسخه 27 انجام شد و برای تعیین امکان پیش‌بینی افسردگی پس از زایمان بر اساس متغیرهای چندگانه، از تحلیل یادگیری ماشین استفاده گردید. یافته‌ها: نتایج نشان داد که ضریب AUC برای عملکرد مدل ارائه‌شده برای پیش‌بینی افسردگی پس از زایمان 72/0 به دست داده است که نشان‌دهنده‌ی عملکرد خوب مدل پژوهش می‌باشد و می‌توان گفت پیش‌بینی افسردگی پس از زایمان بر اساس متغیرهای چندگانه با استفاده از الگوریتم یادگیری ماشین امکان‌پذیر است. متغیرهای حمایت اجتماعی، اضطراب بارداری، تعداد بارداری، تعداد فرزندان و نخست زا بودن، بیشترین سهم را در پیش‌بینی افسردگی پس از زایمان بر اساس ارزیابی نهایی داشتند. نتیجه‌گیری: با توجه به شیوع بالای افسردگی پس از زایمان و پیامدهای گسترده آن، نتایج این پژوهش می‌تواند در طراحی ابزارهای غربالگری مبتنی بر یادگیری ماشین برای شناسایی زودهنگام زنان در معرض خطر به کار رود. همچنین، یافته‌ها می‌توانند راهنمایی برای برنامه‌ریزی مداخلات آموزشی و حمایتی جهت ارتقای آگاهی خانواده‌ها و سیاست‌گذاران سلامت باشند.</div> <div style="text-align: justify;">Background: Postpartum depression is one of the growing mental health problems among women, with widespread consequences for both the mother and the family. Previous studies have mostly focused on a limited range of variables and have used traditional analytical methods. However, multidimensional prediction using machine learning algorithms has received less attention. Aims: The aim of this study was to predict postpartum depression based on multiple psychological, demographic, lifestyle, obstetric, and gynecological variables using a machine learning algorithm. Methods: This research employed a correlational design based on machine learning algorithms. The statistical population included pregnant women from the 34th week of pregnancy onwards. A total of 198 participants were selected using convenience sampling. During the last month of pregnancy, they completed the Edinburgh Postnatal Depression Scale (EPDS; 2003), the Pregnancy Anxiety Questionnaire (Vandenberg, 1989), the Pittsburgh Sleep Quality Index (1989), and a researcher-made questionnaire. After delivery, 150 women from the same group completed the Social Support Questionnaire (Sherbourne & Stewart, 1991), the EPDS (2003), and another researcher-made questionnaire. Descriptive characteristics of the data were analyzed using SPSS version 27, and machine learning analysis was applied to determine the possibility of predicting postpartum depression based on multiple variables. Results: The results showed that the AUC coefficient for the performance of the proposed model in predicting postpartum depression was 0.72, indicating good model performance. The analysis suggested that postpartum depression can indeed be predicted using multiple variables through machine learning algorithms. Among the predictors, social support, pregnancy anxiety, number of pregnancies, number of children, and primiparity had the greatest contribution to the final prediction model. Conclusion: Considering the high prevalence of postpartum depression and its wide-ranging consequences, the results of this study may be applied in the design of machine learning-based screening tools for the early identification of at-risk women. Moreover, the findings can serve as a guide for planning educational and supportive interventions to enhance awareness among families and health policymakers.</div> افسردگی پس از زایمان, اضطراب بارداری, افسردگی بارداری, حمایت اجتماعی, الگوریتم یادگیری ماشین. Postpartum depression, Pregnancy-related anxiety, Antenatal depression, Social support, Machine learning algorithm 1 24 http://psychologicalscience.ir/browse.php?a_code=A-10-3023-1&slc_lang=fa&sid=1 Toktam Heidari تکتم حیدری heidari_toktam@yahoo.com 100319475328460049882 100319475328460049882 No Department of Psychology, Faculty of Humanities, Shahed University, Tehran, Iran. روان‌شناسی بالینی، دانشکده علوم انسانی، دانشگاه شاهد، تهران، ایران. Mohammad Reza Shaeiri محمدرضا شعیری shairigm@gmail.com 100319475328460049883 100319475328460049883 Yes Department of Psychology, Faculty of Humanities, Shahed University, Tehran, Iran. گروه روان‌شناسی، دانشکده علوم انسانی، دانشگاه شاهد، تهران، ایران.