通过度量学习模拟基于门诊的多式联络信号的个体间差异:对医疗保健工作人员个性化幸福感估计的案例研究
Projna Paromita1, Karel Mundnich2, Amrutha Nadarajan2
1HUman Bio-Behavioral Signals Lab, Texas A & M University, College Station, TX, United States.
Frontiers in digital health
|June 26, 2023
概括
这项研究引入了一种新的度量学习技术,以准确估计高风险专业人员的心理健康. 该方法减少了门诊数据中的个体差异,改善了心理健康监测和干预措施.
科学领域:
- 计算精神病学是一种计算精神病学.
- 数字心理健康数字心理健康
- 机器学习用于医疗保健
背景情况:
- 门诊追踪为高风险专业人员的心理健康监测提供了潜力.
- 门诊数据的个体间变异性阻碍了自动化幸福感估计的概括性.
- 医疗保健工作者面临着高风险的工作责任,需要强有力的心理健康监测.
研究的目的:
- 提出一种用于自动化幸福感估计的新型度量学习技术.
- 通过减少个体间的变化来提高心理状态检测的准确性和通用性.
- 为了在学习的特征空间中保持行为构造的可变性.
主要方法:
- 使用语神经网络实施了度量学习技术.
- 从对相似信息中学习了一个转换的多式联络特征空间.
- 整合了个体特征特征和集群,用于个性化度量学习模型.
主要成果:
- 与基线方法相比,显著改善了估计压力,焦虑,积极影响和负面影响的方法.
- 提出的模型有效地减少了个体间的变异性,同时保留了相关的行为数据.
- 在自动化幸福估计中实现了更高的准确性和概括性.
结论:
- 这项研究为准确的心理和情绪状态的门诊估计提供了基础.
- 能够在专业人员中早期诊断心理健康变化.
- 促进了恰到好处的适应性心理健康干预措施的发展.
