説明可能な機械学習アルゴリズムによる産後うつ病リスク予測

科学分野:

• 生殖医学
• 精神科
• 機械学習

背景:

• 産後うつ病 (PPD) は,母親と乳児に影響を与える重要な精神的健康問題です.
• 早期発見と介入は PPDの管理に不可欠です

研究 の 目的:

• PPDのリスクを予測するための説明可能な機械学習モデルを開発する.
• PPDの主要な予測要因を特定する.

主な方法:

• 1,065人の女性の産後データを遡って分析した.
• LASSO回帰とBorutaアルゴリズムを用いた特徴選択
• XGBoost AUC,精度,精度,および特異性を用いたモデル開発と評価.
• SHAPはモデルの解釈性についてです

主要な成果:

• 11変数のXGBoostモデルは,優れた予測性能 (AUC 0. 955,精度 0. 95) を示した.
• 特定された主要な予測要因:体重増加,義母との関係,睡眠の質,婚姻状況,妊娠計画,胎児の性好み,妊娠不安,骨盤床の耐久性,子宮頸の状態,産前教育,産後ケアへの満足度.
• SHAP分析は個々の予測の洞察を提供した.

結論:

• XGBoostモデルは,PPDのリスクを効果的に予測し,臨床意思決定を支援しています.
• 説明可能なAI (SHAP) は,PPDの原因と予防戦略の理解を高めます.
• 高リスクの患者の特定が改善されれば 患者の治療結果が改善されます