Un modelo de predicción de riesgo de depresión basado en el aprendizaje automático para personas sanas de mediana...

Área de la Ciencia:

• Gerontología
• Psiquiatría computacional
• Salud pública

Sus antecedentes:

• Predecir el riesgo de depresión en adultos es crucial para intervenciones oportunas y mejorar la calidad de vida.
• El desarrollo de modelos de aprendizaje automático utilizando datos longitudinales es esencial para las estrategias de prevención de la depresión.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para predecir el riesgo de depresión a los 2 años en adultos mayores sanos.
• Identificar los factores clave que influyen en el riesgo de depresión en esta población.

Principales métodos:

• Se utilizaron datos de 2.331 adultos mayores del Estudio Longitudinal de Salud y Jubilación de China (2018-2020).
• Utilizó algoritmos de aprendizaje automático (regresión logística, k-NN, SVM, MLP, árbol de decisión, XGBoost) para predecir la depresión en función de las puntuaciones del CES-D-10.
• El rendimiento del modelo evaluado utilizando la precisión, la sensibilidad, la especificidad, el ROC AUC y la puntuación F1; mejor interpretación con SHAP.

Principales resultados:

• XGBoost demostró un rendimiento predictivo superior (ROC AUC: 0,774, precisión: 0,722).
• La regresión LASSO identificó 12 características predictivas clave.
• El análisis SHAP destacó la capacidad cognitiva, el ingreso, la satisfacción con la vida, la calidad del sueño y el dolor como predictores significativos.

Conclusiones:

• Los modelos de aprendizaje automático pueden predecir eficazmente el riesgo de depresión en adultos mayores sanos durante un período de 2 años.
• El modelo XGBoost con interpretación SHAP proporciona una evaluación de riesgo personalizada para la prevención de la depresión dirigida.
• Este enfoque apoya el desarrollo de intervenciones adaptadas a las poblaciones que envejecen.