虚拟选成年人抑郁,焦虑和自杀风险使用机器学习和语言从一个开放式面试
Jennifer Wright-Berryman1, Joshua Cohen2, Allie Haq2
1Department of Social Work, College of Allied Health Sciences, University of Cincinnati, Cincinnati, OH, United States.
Frontiers in psychiatry
|June 28, 2023
概括
自然语言处理 (NLP) 和机器学习 (ML) 模型可以使用简短的采访有效地选抑郁症,焦虑和自杀风险. 这种创新方法通过分析心理健康评估的即时语言来增强以人为中心的护理.
科学领域:
- 计算语言学计算语言学
- 精神病学是一个精神病学.
- 医疗保健中的人工智能
背景情况:
- 目前的心理健康查依赖于回顾性自我报告.
- 自然语言处理 (NLP) 和机器学习 (ML) 提供了一种全新的以人为中心的方法.
- 从简短的采访中分析即时语言显示,它有望检测抑郁症,焦虑症和自杀风险.
研究的目的:
- 评估NLP/ML模型在识别抑郁,焦虑和自杀风险方面的有效性.
- 用单个,简短的半结构面试数据来评估模型性能.
- 分析一个庞大的全国性样本,以进行可靠的绩效评估.
主要方法:
- 通过电话会议对1433名参与者进行了2416次采访.
- 收集与会者关于感受和情绪状态的语言.
- 使用TF-IDF特征的训练后勤回归 (LR),支向量机 (SVM) 和极端梯度提升 (XGB) 模型,根据接收器操作特征曲线 (AUC) 下的面积进行评估.
主要成果:
- SVM模型实现了抑郁症的最高歧视 (AUC=0.77).
- LR模型在焦虑方面表现强 (AUC=0.74).
- SVM模型显示了对自杀风险的良好歧视 (AUC=0.70),在更严重的病例和特定的对照组中,表现有所改善.
结论:
- 虚拟平台可以通过简短的采访,促进对抑郁症,焦虑症和自杀风险的同时查.
- 在这些条件下,NLP/ML模型表现出良好的区分能力.
- 虽然自杀风险分类需要进一步的临床验证,但结合定性数据,它可以为临床决策提供信息.
