Predicción del riesgo de depresión posparto mediante algoritmos de aprendizaje automático explicables

Área de la Ciencia:

• Medicina de la reproducción
• La psiquiatría
• Aprendizaje automático

Sus antecedentes:

• La depresión posparto (DPP) es un problema de salud mental significativo que afecta a las madres y a los bebés.
• La identificación temprana y la intervención son cruciales para el manejo de la PPD.

Objetivo del estudio:

• Desarrollar un modelo explicable de aprendizaje automático para predecir el riesgo de PPD.
• Identificar los principales factores predictivos de la enfermedad de Parkinson.

Principales métodos:

• Análisis retrospectivo de los datos postparto de 1.065 mujeres.
• Selección de características mediante regresión LASSO y algoritmo Boruta.
• Desarrollo y evaluación del modelo XGBoost utilizando AUC, exactitud, precisión y especificidad.
• SHAP para la interpretabilidad del modelo.

Principales resultados:

• Un modelo XGBoost de 11 variables demostró un excelente rendimiento predictivo (AUC de 0,955, precisión de 0,95).
• Predictores clave identificados: aumento de peso, relación con la suegra, calidad del sueño, estado civil, embarazo planificado, preferencia sexual fetal, ansiedad durante el embarazo, resistencia del piso pélvico, estado del cuello uterino, educación prenatal y satisfacción con la atención postparto.
• El análisis SHAP proporcionó información sobre las predicciones individuales.

Conclusiones:

• El modelo XGBoost predice eficazmente el riesgo de PPD, ayudando a la toma de decisiones clínicas.
• La IA explicable (SHAP) mejora la comprensión de las causas de la PPD y las estrategias de prevención.
• Una mejor identificación de los individuos de alto riesgo puede conducir a mejores resultados para los pacientes.