تشخیص اسکیزوفرنی دشوار است. بیماران ممکن است توهم داشته باشند (گاهی اوقات)، کناره گیری اجتماعی (شاید) یا هذیان (نه همیشه). به طور کلی، آنها فقط با خودشان متفاوت به نظر می رسند. پزشکان برای تشخیص به تجربه و علائم ظریف خود تکیه می کنند چگونه گفتار بیماران مختلف، همراه با این واقعیت که علائم در طول زمان ظاهر می شوند، برای توجیه گرایش به اسکیزوفرنی است و نه به بیماری روانی دیگر. این منجر به تاخیر در تشخیص می شود. آمریکایی‌های مبتلا به اختلالات روان‌پریشی – که بیش از 3 میلیون نفر از آنها مبتلا به اسکیزوفرنی هستند – به طور متوسط یک سال و نیم پس از ظهور اولین علائم خود، تشخیص داده می‌شوند.
اکنون محققان در حال بررسی هستند که آیا هوش مصنوعی می‌تواند تشخیص و مراقبت را با گوش دادن و تجزیه و تحلیل آنچه پزشکان نمی‌توانند بشنوند یا کمیت آن را تعیین کنند، بهبود بخشد، حتی اگر نرم‌افزار فقط برای چند دقیقه مکالمه کار کند. هوش مصنوعی فردا وارد کلینیک نمی شود. اما از آن به عنوان مرز جدیدی در مراقبت های روانپزشکی یاد می شود که می تواند تشخیص زودهنگام و دقیق و نظارت شخصی بر بیماری ها را بر اساس علائم مبهم امکان پذیر کند.
توماس اینسل، روانپزشک و عصب شناس که به مدت 13 سال مدیریت موسسه ملی سلامت روان ایالات متحده را بر عهده داشته است، می گوید: «ما ابزارهایی برای انجام این کار با دقتی داریم که قبلاً هرگز نداشته ایم.
اسکیزوفرنی اختلالی است که در درک افراد از واقعیت، تفکر و تنظیم هیجانی آنها اختلال ایجاد می کند. این بیماری حدود 23 میلیون نفر در سراسر جهان را تحت تاثیر قرار می دهد و معمولاً بین اواخر نوجوانی و اوایل 30 سالگی تشخیص داده می شود. هیچ کس نمی داند چه چیزی باعث آن می شود، اما تحقیقات نشان می دهد که ممکن است ترکیبی از ژنتیک، محیط، شیمی مغز و مصرف مواد باشد.
پزشکان بر اهمیت تشخیص هر چه زودتر بیماری تاکید می‌کنند، زیرا هر چه مدت طولانی‌تر درمان نشود، پاسخ بدتر به درمان و خطر از دست دادن بافت مغز، بدتر شدن علائم و خودکشی بیشتر می‌شود. اما روانپزشکان اغلب اشتباه می کنند.
بخشی از مشکل این است که تشخیص در حال حاضر به ارزیابی های ذهنی بستگی دارد. بر اساس آنچه که بیمار می گوید و نحوه بیان آن، پزشکان یکی از چندین مقیاس رتبه بندی مختلف را برای رتبه بندی شدت علائم و رسیدن به تشخیص پر می کنند. اما استاندارد کردن این فرآیند دشوار است و نتایج پزشکان برای یک بیمار معین می تواند بین 30 تا 50 درصد متفاوت باشد.
هوش مصنوعی می‌تواند به خودکارسازی فرآیند کمک کند و تشخیص را سریع‌تر و دقیق‌تر کند. “برای اولین بار، ممکن است راهی داشته باشیم که به طور عینی بگوییم، این چقدر توهم آمیز است؟ چقدر این تداعی ها شل هستند؟ چقدر ناسازگار است؟” اینسل می گوید.
روانپزشکان گفتار را به عنوان یک نشانگر قوی برای ارزیابی وضعیت روانی یک فرد می بینند زیرا می تواند نشان دهنده اختلال در تفکر، یکی از نشانه های اسکیزوفرنی باشد. افراد مبتلا به تفکر ضعیف تمایل دارند به طور نامنظم از ایده ای به ایده دیگر حرکت کنند – مسیری آشفته که هوش مصنوعی می تواند به شناسایی آن کمک کند. پزشکان همچنین می دانند که بیماران مبتلا به اسکیزوفرنی صدای متفاوتی دارند. لحن آنها ممکن است یکنواخت تر یا روباتیک باشد، ممکن است مکث های طولانی تری داشته باشند. و میزان صدای آنها در مقایسه با افراد سالم که بسته به زمینه و محتوای مکالمه بلندتر یا آرام تر صحبت می کنند، ممکن است فاقد کنتراست باشد. اما تشخیص این تفاوت ها به خصوص در مراحل اولیه دشوار است.
تیمی از محققان در هلند به این فکر افتادند که آیا هوش مصنوعی می‌تواند کمک کند. آنها ضبط های صوتی افرادی را که قبلاً توسط روانپزشکان تشخیص اسکیزوفرنی داشتند، انتخاب کردند، سپس از نرم افزاری برای اندازه گیری 88 ویژگی مانند بلندی صدا، طول مکث، تلفظ واکه ها و لحن استفاده کردند. آنها سپس از این اقدامات برای آموزش یک برنامه هوش مصنوعی برای تمایز بین افراد مبتلا به اسکیزوفرنی و بدون اسکیزوفرنی استفاده کردند.
وقتی این تیم هوش مصنوعی خود را با استفاده از فایل‌های صوتی بیماران جدیدی که قبلاً نشنیده بود، آزمایش کردند، بیماران اسکیزوفرنی را از افراد سالم با دقت 86.2 درصد تشخیص دادند و حتی می‌توانستند بین انواع مختلف این اختلال تمایز قائل شوند.
آلبان وپل، محققی در دانشگاه مک گیل در مونترال که به مطالعه استفاده از هوش مصنوعی در روانپزشکی می‌پردازد، می‌گوید این رویکرد به‌ویژه برای واضح‌ترین موارد مفید نیست. اما هوش مصنوعی می تواند به شناسایی بیماران در مراحل اولیه یا پرخطر مبتلا به اسکیزوفرنی و پیش بینی عود کمک کند. او می‌گوید: «نشانه‌های دلگرم‌کننده‌ای وجود دارد که نشان می‌دهد ما می‌توانیم چیزهای بسیار ظریف و چیزهایی را که تشخیص آنها برای روانپزشکان سخت‌تر یا پیش‌بینی آنها سخت‌تر است، کشف کنیم.
سانی تانگ، روانپزشک و محقق در موسسه تحقیقات پزشکی فاینشتاین در نزدیکی نیویورک، رویکرد متفاوتی در پیش گرفت. تیم او به جای مطالعه صداهای گفتار، به محتوای آن نگاه کرد. آنها نوعی هوش مصنوعی به نام مدل یادگیری ماشینی ساختند تا به هر کلمه در متن مکالمه بیمار یک آدرس ریاضی شبیه به آدرس خانه اختصاص دهند. با نگاه کردن به مجموعه آدرس‌ها، برنامه تانگ می‌تواند تشخیص دهد که آیا جمله‌ای در همان محله عمومی باقی می‌ماند یا شهر را ترک می‌کند و دوباره برمی‌گردد، که نشان‌دهنده تفکر آشفته است. تانگ می‌گوید به این ترتیب، او می‌تواند «چگونگی جریان معنا در جریان صحبت‌های کسی» را بسنجد.
زمانی که تانگ رونوشت های گفتاری را برای افراد مبتلا به اسکیزوفرنی و بدون اسکیزوفرنی ارائه کرد، متوجه شد که هوش مصنوعی می تواند این دو گروه را با دقت 87 درصد تشخیص دهد. ارزیاب های بالینی که بیماران بدون هوش مصنوعی را رتبه بندی کردند، تنها 68 درصد دقیق بودند.
فراتر از تشخیص، پزشکان در نهایت می توانند از هوش مصنوعی برای نظارت بر شدت و پیشرفت علائم بیمار در طول زمان استفاده کنند. چنین ردیابی به پزشکان کمک می کند تا با ارزیابی اینکه آیا یک درمان دارای اثرات مطلوب است و علائم اولیه عود، مراقبت های دقیق تر و پاسخگوتری ارائه دهند.
امروزه، چنین نظارتی مستلزم این است که پزشکان به طور منظم با بیماران ملاقات کنند که هزینه و زمان زیادی دارد. هوش مصنوعی به طور بالقوه می تواند مراقبت های مشابهی را برای کسری از هزینه ارائه دهد و اجازه دهد که از راه دور انجام شود. تانگ، که امیدوار است ابزاری آماده برای آزمایش‌های بالینی در دهه 2030 داشته باشد، می‌گوید: «می‌توانید در عرض چند دقیقه شخصی را وادار به صحبت با یک برنامه یا دستگاه کنید و ارزیابی نسبتاً شایسته و مطمئنی از روان‌پریشی آن شخص انجام دهید».
با این حال، قبل از اینکه تشخیص هوش مصنوعی برای کلینیک آماده شود، کار زیادی باقی مانده است. برای یک چیز، هوش مصنوعی فقط به اندازه داده هایی است که روی آن آموزش داده شده است – و نقص های جدی در این داده ها وجود دارد. بر اساس مروری بر مطالعاتی که از هوش مصنوعی برای تشخیص روانپزشکی استفاده می‌کنند، بسیاری از مطالعات از گروه‌های کوچکی از افراد استفاده می‌کنند که نماینده جمعیت عمومی نیستند. جفری ژیرارد، روانشناس دانشگاه کانزاس که رهبری تحلیل منتشر شده در سال 2026 را بر عهده داشت، گفت: ما به نمونه های بزرگتر و نمونه های متنوع تری نیاز داریم. بررسی سالانه روانشناسی بالینی.
مشکل دیگر این است که افراد ممکن است آهسته تر صحبت کنند نه به این دلیل که بیمار روانی هستند، بلکه به این دلیل که مسن تر هستند یا به زبان دوم صحبت می کنند. ساندرا جاست، روانشناس بالینی دانشگاه UiT در دانشگاه قطب شمال نروژ، خاطرنشان می کند که مردم همچنین می توانند در موقعیت های استرس زا مانند اتاق اورژانس یا تحت تأثیر دارو یا بیماری جسمی متفاوت به نظر برسند.
جان توروس، روانپزشك و دانشمند كامپيوتر در مركز پزشكي بث اسرائيل ديكونس هاروارد، مي گويد اين يك «شكاف تحقيق-عمل» ايجاد مي كند، كه در آن برچسب هاي صوتي مي توانند در مطالعات خوب عمل كنند اما در دنياي واقعي ضعيف هستند.
در حالت ایده‌آل، پزشکان می‌دانند که یک بیمار معمولاً چه صدایی دارد تا ببینند آیا گفتار او تغییر کرده است یا خیر. اما جمع‌آوری چنین داده‌های اولیه مستلزم شناسایی افرادی است که در معرض خطر بالای اسکیزوفرنی هستند، سپس تماس‌هایشان را ضبط می‌کنند، از آنها می‌خواهیم روزانه به یک اپلیکیشن متعهد شوند یا مصاحبه‌های بالینی را پیگیری کنند – حتی اگر در حال حاضر علائمی از خود نشان نمی‌دهند.
این سؤالات اخلاقی مهمی را در مورد حریم خصوصی و امنیت ایجاد می کند. بریتا الووگ، عصب شناس شناختی در UiT در دانشگاه قطب شمال نروژ، که تقریباً 30 سال الگوهای گفتار را مطالعه کرده است، می گوید: «این یک مشکل واقعاً پیچیده است. “چگونه می‌توانیم حریم خصوصی شخصی را در حال حاضر که شروع به استفاده از فناوری کرده‌ایم حفظ کنیم؟ این من را نگران می‌کند که مردم لزوماً این موضوع را در نظر نگیرند.”
به دلیل تمام این محدودیت‌ها، محققان نمی‌بینند که هوش مصنوعی به این زودی‌ها به یک تشخیص اسکیزوفرنی تبدیل شود. ویجی میتال، محقق و روانشناس بالینی در دانشگاه نورث وسترن در ایلینوی می گوید: «این یک ابزار است، نه یک دارو. زود است و هیجان زیادی وجود دارد [but] باید خیلی مراقب بود.»
یادداشت سردبیر: این مقاله در 10 سپتامبر 2026 به روز شد تا نام دانشگاه بریتا الووگ مشخص شود. این دانشگاه UiT دانشگاه قطب شمال نروژ نامیده می شود، نه دانشگاه قطب شمال.
