Nomograma basado en el aprendizaje automático para predecir síntomas depresivos en mujeres: un estudio transversal en...

Área de la Ciencia:

• Psiquiatría y salud mental
• La medicina computacional
• Salud pública

Sus antecedentes:

• La depresión femenina es un problema de salud mental significativo, a menudo subdiagnosticado debido a factores culturales y sociales.
• Los métodos de evaluación tradicionales tienen limitaciones para identificar con precisión a las personas de alto riesgo.
• Las herramientas predictivas avanzadas son cruciales para mejorar el apoyo a la salud mental de las mujeres.

Objetivo del estudio:

• Desarrollar un modelo híbrido de aprendizaje automático (ML) y nomograma para predecir los síntomas depresivos femeninos.
• Para traducir los predictores de riesgo multivariados en umbrales de puntuación clínica procesables.
• Mejorar la precisión predictiva y la interpretabilidad para aplicaciones de atención médica.

Principales métodos:

• Análisis de datos de 7609 participantes femeninas (de 18 a 85 años) de la Encuesta de sueño y salud psicosomática de la provincia de Guangdong.
• Incorporación de 16 variables, incluida la ansiedad, el insomnio, las enfermedades crónicas y los hábitos de ejercicio, en los modelos de ML.
• Utilizó algoritmos de aumento de gradiente extremo, máquina vectorial de soporte y máquina de aumento de gradiente ligero, con SHAP para la importancia de las características y el análisis de la curva de decisión para la utilidad clínica.

Principales resultados:

• La máquina de aumento de gradiente de luz logró el área más alta bajo la curva (AUC) de 0,867.
• Se identificaron los principales factores predictivos: insomnio, síntomas de ansiedad, edad, enfermedad crónica y ejercicio.
• El nomograma demostró una excelente discriminación (AUC = 0,910) y calibración, con una utilidad clínica significativa.

Conclusiones:

• Un modelo basado en ML predice eficazmente los síntomas depresivos en las mujeres.
• Identificó el insomnio, la ansiedad, la edad, las enfermedades crónicas y el ejercicio como predictores críticos.
• El modelo proporciona una herramienta práctica para la detección temprana y la intervención en entornos clínicos.