روان پزشکی شخصی سازی شده: تحلیل کلان داده ها در سلامت روان ۲۰۱۹
Personalized Psychiatry: Big Data Analytics in Mental Health 2019

این کتاب مفاهیم تحلیل کلان داده را در عمل و پژوهش در حوزه ی سلامت روان ادغام می کند.
اختلالات روانی یک چالش بهداشت عمومی با ابعادی بسیار بزرگ را نشان می دهند. طبق آخرین مطالعه ی بار جهانی بیماری ها، اختلالات روانپزشکی عامل اصلی سال های از دست رفته به دلیل ناتوانی هستند. میزان بالای ابتلا و مرگ و میر مرتبط با این شرایط متناسب با پتانسیل برای دستاوردهای کلی سلامتی است، در صورتی که اختلالات روانی بتوانند به طور موثرتری تشخیص و درمان شوند. به منظور پر کردن این شکاف ها، تحلیل در علم، صنعت و دولت به دنبال استفاده از کلان داده برای مسائل مختلف، از جمله نتایج بالینی و تشخیص در روانپزشکی است. بسیاری از ارائه دهندگان خدمات بهداشت روان و آزمایشگاه های تحقیقاتی به طور فزاینده ای از مجموعه داده های بزرگ برای انجام ماموریت خود استفاده می کنند. به طور خلاصه، کلان داده با حجم بالا، سرعت بالا، تنوع و صحت اطلاعات مشخص می شود و برای مفید بودن، باید تجزیه و تحلیل، تفسیر و بر اساس آن عمل شود. بنابراین، تمرکز باید به ابزارهای تحلیلی جدید از حوزه یادگیری ماشین معطوف شود که برای هر کسی که در قرن بیست و یکم به طبابت، روانپزشکی و علوم رفتاری مشغول است، حیاتی خواهد بود. تحلیل کلان داده در تحقیقات روانپزشکی در حال گسترش است و برای ارائه مدل های پیش بینی کننده هم برای عمل بالینی و هم برای سیستم های بهداشت عمومی استفاده می شود. در مقایسه با روش های آماری سنتی که عمدتاً نتایج سطح گروهی متوسط را ارائه می دهند، تحلیل کلان داده امکان پیش بینی و طبقه بندی نتایج بالینی را در سطح هر فرد فراهم می کند.
روانپزشکی شخصی شده – تحلیل کلان داده در سلامت روان فرصتی منحصر به فرد را برای به نمایش گذاشتن راه حل های نوآورانه در جهت حل مشکلات پیچیده در سلامت روان با استفاده از کلان داده و یادگیری ماشین فراهم می کند. این کتاب پلتفرمی جالب برای همکاری با رهبران کلیدی نظر (Key Opinion Leaders) است تا دستاوردهای فعلی را مستند کرده، مفاهیم جدید را معرفی کند و همچنین نقش آینده ی کلان داده و یادگیری ماشین را در سلامت روان پیش بینی کند.

This book integrates the concepts of big data analytics into mental health practice and research.
Mental disorders represent a public health challenge of staggering proportions. According to the most recent Global Burden of Disease study, psychiatric disorders constitute the leading cause of years lost to disability. The high morbidity and mortality related to these conditions are proportional to the potential for overall health gains if mental disorders can be more effectively diagnosed and treated. In order to fill these gaps, analysis in science, industry, and government seeks to use big data for a variety of problems, including clinical outcomes and diagnosis in psychiatry. Multiple mental healthcare providers and research laboratories are increasingly using large data sets to fulfill their mission. Briefly, big data is characterized by high volume, high velocity, variety and veracity of information, and to be useful it must be analyzed, interpreted, and acted upon. As such, focus has to shift to new analytical tools from the field of machine learning that will be critical for anyone practicing medicine, psychiatry and behavioral sciences in the 21st century. Big data analytics is gaining traction in psychiatric research, being used to provide predictive models for both clinical practice and public health systems. As compared with traditional statistical methods that provide primarily average group-level results, big data analytics allows predictions and stratification of clinical outcomes at an individual subject level.
Personalized Psychiatry – Big Data Analytics in Mental Health provides a unique opportunity to showcase innovative solutions tackling complex problems in mental health using big data and machine learning. It represents an interesting platform to work with key opinion leaders to document current achievements, introduce new concepts as well as project the future role of big data and machine learning in mental health.