標準ラベルを用いた機械学習によるテキストベースのうつ病推定：システマティックレビューとメタアナリシス

科学分野:

• 自然言語処理
• 機械学習
• メンタルヘルス

背景:

• うつ病は日常生活に著しい影響を与え、自殺行動につながる可能性がある。
• テキストベースのうつ病推定は、早期のメンタルヘルススクリーニングのための実行可能なアプローチを提供する。
• 既存のレビューでは、弱いラベルが使用されることが多く、モデルの信頼性と実用的な応用が制限されていた。

研究 の 目的:

• 標準ラベルを用いたテキストベースのうつ病モデルの予測性能を評価する。
• テキストリソース、表現、モデルアーキテクチャ、アノテーションソース、報告品質を含むパフォーマンスの異質性に影響を与える要因を特定する。

主な方法:

• 2014年から2025年までの4つの主要なデータベース（PubMed、Scopus、IEEE Xplore、Web of Science）を対象としたPRISMA 2020ガイドラインに従った体系的な文献検索。
• 参加者が生成したテキストと検証済みのうつ病ラベル（臨床診断またはスケール）を使用して機械学習モデルを開発した研究を含めた。
• プールされた効果量（r）を計算するためにランダム効果メタアナリシスを実施し、サブグループ/メタ回帰分析を実行した。

主要な成果:

• 11の研究から15のモデルを分析し、大きな全体的な効果量（r=0.605）を明らかにした。
• 埋め込みベースのテキスト表現（r=0.741）と深層学習アーキテクチャ（r=0.731）は、それぞれ従来の特徴量と浅いモデルを大幅に上回った。
• 臨床医の診断を使用したモデル（r=0.688）は、自己報告スケールを使用したモデル（r=0.500）よりも高いパフォーマンスを示した。
• 透明性のある報告はパフォーマンスと正の相関があった（β=0.085）。

結論:

• 標準ラベルを持つテキストベースのうつ病推定モデルは、堅牢な予測能力を示す。
• 埋め込み特徴量、深層学習アーキテクチャ、および臨床医の診断は、モデルパフォーマンス向上の重要な推進要因である。
• うつ病スクリーニングモデルの信頼性と実用的な有用性を高めるためには、標準ラベル、特徴量表現、および透明性のある報告の重要な役割を強調する。