අප ජීවත් වන්නේ දත්ත මගින් බලගන්වන ලද යුගයකයි. උදෑසන අපගේ ජංගම දුරකථන පරීක්ෂා කරන මොහොතේ සිට රාත්‍රියට අපගේ ස්මාර්ට් ඔරලෝසුව මගින් ගණනය කරන පියවර ප්‍රමාණය දක්වා, අපි නිරන්තරයෙන් ඩිජිටල් පාද සටහන් පෙළක් ඉතිරි කරමු. මෙම සෑම පාද සටහනකින්ම අප නිදාගන්නා ආකාරය, චලනය වන ආකාරය, සන්නිවේදනය කරන ආකාරය සහ ප්‍රශ්නවලට මුහුණ දෙන ආකාරය ගැන යමක් කියැවේ.
දැන් එම දත්ත මනෝවිද්‍යාඥයින් සහ සායනික වෛද්‍යවරුන්ගේ අතට පත් කිරීම ගැන සිතා බලන්න. Psychoinformatics, එසේත් නැතිනම් Computational Psychology (ගණනීය මනෝවිද්‍යාව) පිටුපස ඇති සංකල්පය වන්නේ එයයි: එනම් මිනිස් මනස සහ හැසිරීම් පිළිබඳ අධ්‍යයනය සඳහා දත්ත විද්‍යාව (data science), යන්ත්‍ර ඉගෙනුම (machine learning) සහ බිග් දත්ත (big data) යොදාගන්නා නැගී එන විෂය පථයයි.
මෙම ලිපිය මගින් අද වන විට මනෝවිද්‍යාව තුළ දත්ත විද්‍යාව භාවිත වන ආකාරයත්, එමගින් කළ හැකි සහ කළ නොහැකි දේවල් මොනවාද යන්නත්, මානසික සෞඛ්‍ය සංරක්ෂණයේ අනාගතයට එයින් අදහස් කරන්නේ කුමක්ද යන්නත් පිළිබඳව විමසා බලයි.
Psychoinformatics යනු කුමක්ද?
Psychoinformatics පිහිටා තිබෙන්නේ මනෝවිද්‍යාව, පරිගණක විද්‍යාව, සංඛ්‍යානය (statistics) සහ ස්නායු විද්‍යාව (neuroscience) යන ක්ෂේත්‍ර හමුවන සන්ධිස්ථානයේය. සාම්ප්‍රදායික මනෝවිද්‍යාව මතප්‍රකාශන ප්‍රශ්නාවලී (questionnaires), සායනික සම්මුඛ සාකච්ඡා සහ පාලිත පරීක්ෂණ මත පදනම් වේ. එම මෙවලම් තවමත් අත්‍යවශ්‍ය වන නමුත්, ඒවායේ සීමාවන් පවතී: ඒවා කලින් කලට ගනු ලබන ක්ෂණික ඡායාරූප (periodic snapshots) වැනිය, පුද්ගලයන් තමන්ගේ මානසික තත්ත්වයන් නිවැරදිව මතක තබා ගනිමින් වාර්තා කිරීම මත ඒවා රඳා පවතී, සහ ඒවා සාමාන්‍යයෙන් ක්‍රියාත්මක වන්නේ කුඩා සාම්පල සමගිනි.
දත්ත විද්‍යාව මගින් පහත දෑ එකතු වේ:
- පරිමාණය (Scale): දත්ත ලක්ෂ්‍ය කිහිපයක් වෙනුවට දහස් ගණනක් හෝ මිලියන ගණනක් විශ්ලේෂණය කිරීම.
- නිරන්තර බව (Continuity): සායනය තුළදී පමණක් නොව, එදිනෙදා ජීවිතයේදී සිදුවන හැසිරීම් ඒ මොහොතේම ග්‍රහණය කර ගැනීම.
- සංකීර්ණතාව (Complexity): මිනිස් බුද්ධියට සහ සරල සංඛ්‍යානමය ක්‍රමවලට මගහැරී යා හැකි, රේඛීය නොවන සහ බහු-සාධක සහිත රටාවන් (non-linear, multi-factor patterns) හඳුනා ගැනීම.
1. අනාවැකිමය මානසික සෞඛ්‍යය සහ මුල් අවධියේදීම හඳුනාගැනීම (Predictive Mental Health and Early Detection)
සාම්ප්‍රදායිකව සායනික තක්සේරු කිරීම් ආරම්භ වන්නේ කෙනෙකු උපකාර පතා පැමිණි විට වන අතර, එය බොහෝ විට සිදුවන්නේ රෝග ලක්ෂණ තදබල ලෙස උග්‍ර වූ පසුවය. දත්ත විද්‍යාව මගින් කලින්ම සහ වඩාත් සක්‍රීය ලෙස සහාය වීමට මග පාදයි.
භාෂාව සහ සමාජ මාධ්‍ය විශ්ලේෂණය (Language and social media analysis). Natural Language Processing (NLP) මාදිලිවලට X, Facebook, සහ Reddit වැනි වේදිකාවල භාවිතා කරන වචන තේරීම, හැඟීම් ප්‍රකාශනය (sentiment), පෝස්ට් පළකිරීමේ වාර ගණන සහ වේලාවන් විශ්ලේෂණය කළ හැක. උත්තම පුරුෂ සර්වනාම (first-person pronouns - "මම", "මා" වැනි) භාවිතය වැඩිවීම, අධික ඍණාත්මක හැඟීම් ප්‍රකාශ වීම සහ අලුයම් කාලයේ නිරන්තරයෙන් පෝස්ට් පළකිරීම වැනි රටාවන් විශාදය (depression), කනස්සල්ල (anxiety) සහ ආතතිය (stress) සමග සම්බන්ධ බව පර්යේෂණ මගින් පෙන්වා දී ඇත.
පැළඳිය හැකි උපකරණ සහ නිෂ්ක්‍රීය සංවේදනය (Wearables and passive sensing). ස්මාර්ට් ඔරලෝසු සහ ශාරීරික සුවතාව මැනබලන උපකරණ (fitness trackers) මගින් පැය 24 පුරාම නින්දේ කාලසීමාව, හෘද ස්පන්දන විචල්‍යතාව (HRV) සහ සක්‍රීයතා මට්ටම් එකතු කරයි. පුද්ගලයෙකුගේ සාමාන්‍ය ජීවන රටාවෙන් බැහැර වන වෙනස්කම් — උදාහරණයක් ලෙස කඩින් කඩ නින්ද යාම, චලනයන් අඩුවීම හෝ විවේකීව සිටින විට හෘද ස්පන්දන වේගය ඉහළ යාම වැනි දැඩි ආතතිය හෝ මානසික වෙහෙස (burnout) සමග ඇතිවන ලක්ෂණ, අදාළ පුද්ගලයාට සිහියෙන් දැනෙන්නටත් පෙර හඳුනා ගැනීමට Machine Learning මාදිලිවලට පුළුවන.
සැලකිලිමත් විය යුතු කරුණක් (A note of caution). මෙම සංඥා හුදෙක් දර්ශක පමණි; ඒවා නිගමනාත්මක රෝග විනිශ්චයන් නොවේ. කෙනෙකු පෝස්ට් දමන ප්‍රමාණය අඩුවීම ඔවුන් කාර්යබහුල වීම, නිවාඩුවක් ගත කිරීම හෝ සරලවම තම පෞද්ගලිකත්වය ආරක්ෂා කිරීමට කැමති වීම නිසා විය හැක. වගකීම්සහගත Psychoinformatics ක්ෂේත්‍රයක් තුළ මෙම දත්ත සලකනු ලබන්නේ මිනිසෙකු ලවා නැවත පරීක්ෂා කරගැනීමට ලැබෙන ඉඟියක් ලෙස පමණක් මිස, කිසිවිටෙකත් තීරණාත්මක තීන්දුවක් ලෙස නොවේ.
2. ප්‍රතිඵල ගැන අනාවැකි කීමට කේස් ස්ටඩීස්වලින් ඉගෙන ගැනීම (Learning from Case Studies to Predict Outcomes)
දත්ත විද්‍යාඥයෙකුගේ මෙවලම් කට්ටලය සායනික ප්‍රායෝගික භාවිතය හමුවන්නේ මෙතැනදීය.
රෝගීන්ගේ ජනගහන විද්‍යාත්මක තොරතුරු (demographics), ආතති දර්ශක, නින්දේ රටා, ලබා දුන් චිකිත්සාව සහ අවසාන සුවපත් වීමේ ප්‍රතිඵලය ආදී දේ ඇතුළත්, ව්‍යුහගත කරන ලද කේස් ස්ටඩීස් වාර්තා 500 ක් ඇති සායනයක් ගැන සිතන්න.
පියවර 1: පුහුණු කිරීම (Training). Logistic Regression හෝ Random Forest වැනි අධීක්ෂිත යන්ත්‍ර ඉගෙනුම (supervised machine learning) ඇල්ගොරිතමයක් මෙම කේස් ස්ටඩීස් භාවිතයෙන් ඉගෙන ගනී. Logistic Regression මගින් එක් එක් සාධකය මගින් ප්‍රතිඵලයේ වෙනසක් ඇති කිරීමට ඇති ඉඩකඩ (odds) මැන බලයි. Random Forests මගින් තීරණ ගැනීමේ ගස් (decision trees) රාශියක් ගොඩනගා ඒවා එකතු කරනු ලබයි; එමගින් සංකීර්ණ, රේඛීය නොවන අන්තර්ක්‍රියාකාරිත්වයන් ග්‍රහණය කර ගැනීමට හැකියාව ලැබේ (උදාහරණයක් ලෙස, මදි නින්ද ඇතැම් වයස් කාණ්ඩවලට හෝ සමහර චිකිත්සක ක්‍රමවලට අන් ඒවාට වඩා වැඩි බලපෑමක් ඇති කරන බව පෙන්වා දීම).
පියවර 2: අනාවැකි කීම (Inference). 501 වෙනි රෝගියා පැමිණි විට, ඔහුගේ/ඇයගේ මූලික තොරතුරු පුහුණු කරන ලද මාදිලියට ඇතුළත් කරනු ලබන අතර, එයින් සම්භාවිතාත්මක තක්සේරුවක් ලබා දෙයි: උදාහරණයක් ලෙස, "සංජානන හැසිරීම් චිකිත්සාව (Cognitive Behavioral Therapy) මගින් 82% ක සාර්ථක ප්‍රතිඵලයක් ලබා ගැනීමේ හැකියාවක් ඇත" යන්නයි.
පියවර 3: තහවුරු කිරීම (Validation). කිසිවෙකු හෝ මෙවැනි මාදිලියක් විශ්වාස කිරීමට පෙර, cross-validation සහ වෙනම තබාගත් test sets වැනි තාක්ෂණයන් යොදාගනිමින්, මාදිලිය මීට පෙර දැක නැති දත්ත මත එය පරීක්ෂා කළ යුතුය. එමෙන්ම එහි පරමාංකනය (calibration) (එනම් "82%" යන්නෙන් සැබවින්ම අදහස් වන්නේ 100 න් 82 ක්ද?) සහ විවිධ ජනගහන කණ්ඩායම් අතර සාධාරණත්වය (fairness) පවතීද යන්නද පරීක්ෂා කළ යුතුය.
මෙහි දැක්වෙන 82% ප්‍රමාණය නිරූපණය සඳහා ලබා දුන් උදාහරණයක් පමණි. සැබෑ ලෝකයේ නිවැරදිතාවය රඳා පවතින්නේ දත්තවල ගුණාත්මකභාවය, සාම්පල ප්‍රමාණය සහ සායනයේ සිටින රෝගීන් මගින් සමස්ත සමාජය කොතෙක් දුරට නිරූපණය වන්නේද යන්න මතය. තවද, සංකීර්ණ මාදිලි නිර්මාණය සඳහා කේස් 500 ක් යනු මධ්‍යස්ථ ප්‍රමාණයේ දත්ත සමුදායක් වන අතර, එබැවින් සැබෑ ව්‍යාපෘතියකදී දැඩි ලෙස තහවුරු කිරීම (validation) සහ නොදන්නා අවිනිශ්චිතතාවයන් ගැන සැලකිලිමත් වීම කෙරෙහි වැඩි අවධානයක් යොමු කෙරේ.
මෙහි ඇති වටිනාකම වන්නේ තීරණ ගැනීමේ ක්‍රියාවලියේ සිදුවන වෙනස්වීමයි. සායනික තීරණ ගැනීමේ ප්‍රධාන තැන තවදුරටත් හිමිවන්නේ වෛද්‍යවරයාගේ නිගමනයට වුවද, එය හුදෙක් සහජ බුද්ධිය මත පමණක් පදනම් නොවී අතීත කේස් ස්ටඩීස් විශාල සංඛ්‍යාවකින් ලබාගත් සාක්ෂි මගින් තහවුරු කෙරේ.
3. පුද්ගලාරෝපිත චිකිත්සාව සහ ප්‍රමිතගත මානසික වෛද්‍ය විද්‍යාව (Personalized Therapy and Precision Psychiatry)
මිනිස් මනස් දෙකක් කිසිවිටෙකත් එක හා සමාන නොවන අතර, එක් අයෙකුට උපකාරී වන ප්‍රතිකාරයක් තවත් කෙනෙකුට එතරම් ඵලදායී නොවීමට හැක. ප්‍රමිතගත මානසික වෛද්‍ය විද්‍යාවේ (Precision psychiatry) අරමුණ වන්නේ එක එක්කෙනාට වඩාත්ම ගැළපීමට ඉඩ ඇති ප්‍රතිකාර සහ මැදිහත්වීම් සමග ඔවුන්ව සම්බන්ධ කිරීමයි.
ජානමය සලකුණු (genetic markers), පාරිසරික සාධක, ජීවන රටා මිනුම් සහ මනෝවිද්‍යාත්මක ඉතිහාසය ඇතුළු ජෛව-මනෝ-සාමාජීය දත්ත (biopsychosocial data) ඒකාබද්ධ කිරීම මගින්, පහත සඳහන් කරුණු කෙරෙහි අවධානය යොමු කිරීමට අනාවැකිමය මාදිලි මගින් සායනික වෛද්‍යවරුන්ට උපකාර කළ හැක:
- රෝගියාට වඩාත්ම ගැළපෙන්නේ කුමන චිකිත්සක ප්‍රවේශයද යන්න; උදාහරණයක් ලෙස CBT, Acceptance and Commitment Therapy (ACT) හෝ ඖෂධමය ප්‍රතිකාර.
- රෝගියෙකු ප්‍රතිකාර සඳහා ප්‍රතිචාර දැක්වීමට හෝ අතුරු ආබාධවලට මුහුණ දීමට ඇති ඉඩකඩ කොපමණද යන්න.
- මුල් කාලීන ප්‍රගති සංඥා මත පදනම්ව ප්‍රතිකාර සැලසුම වෙනස් කළ යුත්තේ කවදාද යන්න.
මෙම ක්ෂේත්‍රය තවමත් දියුණු වෙමින් පවතින එකකි. සමූහ මට්ටමින් අනාවැකි පළකිරීමට වඩා පුද්ගල මට්ටමින් අනාවැකි පළකිරීම තවමත් අපහසු වන අතර, ප්‍රකාශයට පත් කර ඇති බොහෝ මාදිලි සාමාන්‍ය සායනික භාවිතයේදී තවමත් ප්‍රායෝගිකව තහවුරු කර නොමැත. කෙසේ වෙතත්, මෙහි ගමන් මඟ බලාපොරොත්තු සහගතය: එනම් උත්සාහ කරමින් වැරදි හදාගැනීමේ (trial and error) කාලය අඩුවීම සහ රෝගීන්ට වේගවත් සහනයක් ලබා ගැනීමට මග පෑදීමයි.
4. ගණනීය ස්නායු විද්‍යාව හරහා මොළයේ ක්‍රියාකාරිත්වය අවබෝධ කරගැනීම (Unlocking the Brain Through Computational Neuroscience)
fMRI, EEG, සහ PET ස්කෑන් වැනි මොළයේ ඡායාරූපකරණ මෙවලම් (neuroimaging tools) මගින් අතිවිශාල සහ සංකීර්ණ දත්ත සමුදායන් ජනනය කරයි. මොළයේ විවිධ ප්‍රදේශ පුරා පැතිරී ඇති සූක්ෂ්ම රටාවන් මිනිස් ඇසට හඳුනාගැනීම අපහසුය.
යන්ත්‍ර ඉගෙනුම (Machine learning) සහ ගැඹුරු ස්නායුක ජාල (deep neural networks) මගින් මෙම සංඥා දත්ත පිරිසැකසුම් කර පහත දෑ සිදු කළ හැක:
- Schizophrenia, autism spectrum disorder, සහ Alzheimer's වැනි තත්ත්වයන් හා සම්බන්ධ මොළයේ ජාලමය වෙනස්කම් හඳුනාගැනීම. මෙවැනි දර්ශක මගින් රෝග මුල් අවධියේදීම හඳුනාගැනීමට සහාය විය හැකිද යන්න ගැන පර්යේෂණ පැවැත්වෙන අතර, මෙයින් වැඩි ප්‍රමාණයක් තවමත් පවතින්නේ සාමාන්‍ය රෝග විනිශ්චය මට්ටමට වඩා පර්යේෂණ මට්ටමේය.
- සංජානන මට්ටම් (cognitive states) මොළයේ ක්‍රියාකාරී රටාවන් සමග සිතියම්ගත කිරීම; එමගින් මතකය, හැඟීම්, අවධානය සහ තීරණ ගැනීම පිළිබඳ අපගේ අවබෝධය තවත් යාවත්කාලීන කරයි.
මෙම මෙවලම් මගින් සායනික තක්සේරු කිරීම් විස්ථාපනය කරන්නේ නැත. ඒවා මගින් අලුත් සාක්ෂි එකතු කරන අතර, මොළය මගින් සිතුවිලි සහ හැසිරීම් ඇති කරන්නේ කෙසේද යන්න පිළිබඳ කල්පිතයන් ගොඩනැගීමට සහ පරීක්ෂා කිරීමට පර්යේෂකයන්ට උපකාර කරයි.
5.ප්‍රධාන යෙදවුම් සංක්ෂිප්තව (Key Applications at a Glance)
අනාවැකිමය මානසික සෞඛ්‍යය (Predictive Mental Health): මෙහිදී ස්වාභාවික භාෂා පිරිසැකසුම (NLP) සහ වර්ගීකරණය (Classification) වැනි දත්ත විද්‍යා මෙවලම් භාවිත කරනු ලබයි. මෙහි මූලික මනෝවිද්‍යාත්මක අරමුණ වන්නේ විශාදය (depression) සහ මානසික අර්බුද අවදානම් මුල් අවධියේදීම හඳුනාගැනීමයි.
ගණනීය ස්නායු විද්‍යාව (Cognitive Neuroscience): මෙම ක්ෂේත්‍රයේදී ගැඹුරු ඉගෙනුම (Deep Learning) සහ සංඥා පිරිසැකසුම (Signal Processing) වැනි තාක්ෂණයන් යොදාගැනේ. මගින් EEG සහ fMRI දත්ත හරහා මොළයේ ජාලමය රටාවන් නිවැරදිව සිතියම්ගත කිරීම මෙහි ප්‍රධාන අරමුණ වේ.
මනෝමිතික විද්‍යාව (Psychometrics): මෙහිදී කාරක විශ්ලේෂණය (Factor Analysis) සහ පොකුරු කිරීම (Clustering) වැනි ක්‍රමවේද භාවිත කෙරේ. මෙහි අරමුණ වන්නේ සුපෝෂිත පෞරුෂ ප්‍රදර්ශනයක් (personality profiling) ලබාගැනීම සහ විවිධ හැසිරීම් වෙන්කර හඳුනාගැනීමයි.
ප්‍රමිතගත මානසික වෛද්‍ය විද්‍යාව (Precision Psychiatry): මෙම ක්ෂේත්‍රයේදී අනාවැකිමය විශ්ලේෂණය (Predictive Analytics) සහ අධීක්ෂිත ඉගෙනුම (Supervised Learning) භාවිත කරනු ලබයි. එක් එක් පුද්ගලයාට වඩාත්ම ප්‍රශස්ත සහ පුද්ගලාරෝපිත ප්‍රතිකාර ක්‍රම තේරීම මෙහි අවසාන අරමුණයි.
6.අප නිවැරදිව කළ යුතු අභියෝග (The Challenges We Must Get Right)
ප්‍රබල මෙවලම් මගින් විශාල වගකීම් සමූහයක් උදා කරයි. Psychoinformatics පිළිබඳ ඕනෑම අවංක සාකච්ඡාවකදී පහත කරුණු කෙරෙහි අවධානය යොමු කළ යුතුය:
- පෞද්ගලිකත්වය සහ කැමැත්ත (Privacy and consent): මානසික සෞඛ්‍ය දත්ත යනු පුද්ගලයෙකු සතු වඩාත්ම සංවේදී තොරතුරු අතරින් එකකි. දත්ත රැස්කිරීම විනිවිදභාවයකින් යුක්ත විය යුතු අතර, කැමැත්ත ඇතිව, සුරක්ෂිතව සහ අවශ්‍ය ප්‍රමාණයට පමණක් සීමා විය යුතුය.
- ඇල්ගොරිදමික පක්ෂපාතිත්වය (Algorithmic bias): යම් යම් ස්ත්‍රී පුරුෂ භාවයන්, ජාතීන්, සංස්කෘතීන් හෝ වයස් කාණ්ඩ පූර්ණ ලෙස නිරූපණය නොවන දත්ත භාවිතයෙන් මාදිලියක් පුහුණු කළහොත්, එම කණ්ඩායම් සඳහා වන ප්‍රතිඵල දුර්වල විය හැකි අතර, එය සෞඛ්‍ය අසමානතාවයන් තවත් පරතරය වැඩි කිරීමට හේතු විය හැක.
- පැහැදිලි කර ගැනීමේ හැකියාව (Interpretability): යම් මාදිලියක් මගින් උපදෙසක් හෝ නිර්දේශයක් ලබා දුන්නේ මන්දැයි වටහා ගැනීමට සායනික වෛද්‍යවරුන්ට මෙන්ම රෝගීන්ටද අයිතියක් ඇත. "Black box" (තේරුම් ගැනීමට නොහැකි සංකීර්ණ) ප්‍රතිදානයන් විශ්වාස කිරීමට සහ අභියෝගයට ලක් කිරීමට අපහසුය.
- ව්‍යාජ ධනාත්මක සහ ව්‍යාජ ඍණාත්මක ප්‍රතිඵල (False positives and negatives): යම් තත්ත්වයක් නොමැති කෙනෙකු වැරදි ලෙස අවදානම් සහිත අයෙකු ලෙස වර්ගීකරණය කිරීම මගින් ඔහු තුළ මානසික පීඩනයක් සහ සමාජීය කොන්වීමක් ඇති විය හැක. එසේම සැබවින්ම අවදානමේ සිටින කෙනෙකු මගහැරී යාම ඛේදනීය විය හැක. සීමාවන් (thresholds) සහ ක්‍රියාකාරී පටිපාටීන් සැලසුම් කළ යුත්තේ මෙම කරුණු දෙකම මනසේ තබාගනිමිනි.
- තාක්ෂණය මත අධික ලෙස යැපීම (Over-reliance on technology): දත්ත මගින් ප්‍රතිකාර සඳහා මගපෙන්විය හැකි නමුත්, මිනිස් සංවේදනය, චිකිත්සක සම්බන්ධතාවය හෝ සායනික වෛද්‍යවරයාගේ තීරණය වෙනුවට තාක්ෂණය ආදේශ කළ නොහැක.
- සැබෑ ලෝකයේ තහවුරු කිරීම (Validation in the real world): පර්යේෂණ පත්‍රිකාවක ඉතා හොඳින් ක්‍රියාත්මක වන මාදිලියක් වෙනත් සායනයක, රටක හෝ ජනගහනයක් අතර අසාර්ථක විය හැක. එබැවින් නිරන්තරයෙන් ඇගයීම් සිදු කිරීම අත්‍යවශ්‍ය වේ.
අනාගතය: මානව අවබෝධය, තවත් තියුණු වීම (The Future: Human Insight, Amplified)
Psychoinformatics හි ඇති වඩාත්ම බලාපොරොත්තු සහගත දැක්ම වන්නේ මිනිසා විස්ථාපනය කිරීම නොව, මිනිසා සහ තාක්ෂණය අතර ඇතිවන සහයෝගීතාවයයි. විශාල පරිමාණයෙන් රටාවන් හඳුනාගැනීම දත්ත විද්‍යාව මගින් සිදු කළ හැකි අතර, මනෝවිද්‍යාඥයින් සහ මානසික වෛද්‍යවරුන් විසින් සුවපත් වීමට අවශ්‍ය වටපිටාව, සේවා එතික්ස් (ethics), සංවේදනය සහ මානුෂීය සම්බන්ධතාවය ලබා දෙයි.
ඉදිරි වසරවලදී අපට පහත දෑ බලාපොරොත්තු විය හැක:
- වෛද්‍ය හමුවීම් දෙකක් අතරතුර කාලයේදී පුද්ගලයන්ට සහාය වන නිරන්තර, පුද්ගලාරෝපිත නිරීක්ෂණය.
- ප්‍රතිකාර තේරීමට සහ ඒවා වෙනස් කිරීමට සායනික වෛද්‍යවරුන්ට උපකාර වන තීරණ-සහායක මෙවලම් (Decision-support tools).
- මානසික සෞඛ්‍යය කෙරෙහි ජෛව විද්‍යාව, පරිසරය සහ හැසිරීම් අන්තර්ක්‍රියා කරන ආකාරය පිළිබඳ වඩාත් පොහොසත් විද්‍යාත්මක අවබෝධයක්.
- මානසික සෞඛ්‍ය සේවා වෘත්තිකයන් හිඟ ප්‍රදේශවල සිටින ජනතාව වෙත ඩිජිටල් මෙවලම් ළඟා වීමත් සමග, ප්‍රතිකාර සඳහා ඇති පුළුල් ප්‍රවේශය.
උපසංහාරය (Conclusion)
Psychoinformatics මගින් නිරූපණය වන්නේ අප මිනිස් මනස අධ්‍යයනය කරන සහ පෝෂණය කරන ආකාරයේ සිදුවූ සැබෑ වෙනස්වීමකි. දත්ත විද්‍යාවේ ඇති නිරවද්‍යතාවය මනෝවිද්‍යාත්මක අවබෝධයේ ඇති ගැඹුර සමග ඒකාබද්ධ කිරීමෙන්, අපට රෝගී වූ පසු ප්‍රතිකාර කිරීමට වඩා කලින්ම ආරක්ෂා වන සක්‍රීය (proactive) ප්‍රතිකාර වෙතද, සැමට එකම ප්‍රතිකාර ක්‍රමය වෙනුවට පුද්ගලාරෝපිත (personalized) ප්‍රතිකාර වෙතද, සහ පුද්ගලික මතයන්ගෙන් බැහැරව සාක්ෂි මගින් තහවුරු වූ තීරණ වෙතද ගමන් කළ හැක.
නමුත් මෙහි අරමුණ කිසිවිටෙකත් මිනිසුන්ව ඉලක්කම් බවට පත් කිරීම නොවේ. මෙහි අරමුණ වන්නේ ඉලක්කම් භාවිත කරමින් මිනිසුන්ව වඩාත් හොඳින් තේරුම් ගැනීම සහ ඔවුන්ට ඉක්මනින් හා වඩාත් ඵලදායී ලෙස උපකාර කිරීමයි. අප මෙම මෙවලම් සදාචාරාත්මක ලෙස ගොඩනඟන්නේ නම්, ඒවා ප්‍රවේශමෙන් තහවුරු කරන්නේ නම්, සහ මිනිසා සෑම විටම මෙහි මධ්‍යයේ තබා ගන්නේ නම්, දත්ත විද්‍යාව යනු මානසික සෞඛ්‍ය ක්ෂේත්‍රයට මෙතෙක් ලැබුණු වඩාත්ම වටිනා සහකරුවෙකු බවට පත්වනු ඇත.
වියාචනය (Disclaimer): මෙම ලිපිය තොරතුරු දැනගැනීමේ අරමුණින් පමණක් ඉදිරිපත් කර ඇති අතර, මෙය වෛද්‍ය හෝ මනෝවිද්‍යාත්මක උපදෙසක් නොවේ. ඔබ මානසික සෞඛ්‍ය ගැටලුවකින් පෙළෙන්නේ නම්, කරුණාකර සුදුසුකම් ලත් වෘත්තීයවේදියෙකුගේ සහාය ලබා ගන්න.