使用多式临床,脑电图和磁共振成像数据的机器学习可以预测患有的成年人发生抑郁症:一项试点研究
Guillermo Delgado-García1,2, Jordan D T Engbers3, Samuel Wiebe1,2,4,5,6
1Department of Clinical Neurosciences, Cumming School of Medicine, University of Calgary, Calgary, Alberta, Canada.
Epilepsia
|July 17, 2023
概括
机器学习模型可以使用基线临床数据预测患有的成年人的新发性抑郁症. 这种方法对识别有风险的个体进行主动干预充满希望.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 抑郁症是患有的成年人常见的并发症.
- 预测发生抑郁症对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和评估一种多式机器学习 (ML) 方法,用于预测患有的成年人发生的抑郁症.
- 为了确定基线临床特征预测新发抑郁症.
主要方法:
- 从一个注册表中选择了一组200名患有的成年人.
- 收集了临床数据,脑电图 (EEG) 和磁共振成像 (MRI) 数据.
- 神经障碍性抑郁症库存 (NDDI-E) 评估了抑郁症的平均时间为2.4年.
- 使用ReliefF算法进行特征选择,训练和测试了6个ML算法.
主要成果:
- 在最终分析中,包括了91名没有基线抑郁症的患者.
- 选择的特征是临床的,而不是定量的EEG或MRI变量.
- 在6个ML模型中,有5个获得F1评分≥0.72,其中多层感知子模型表现最高 (F1评分=0.74,灵敏度=84.3%).
结论:
- 使用基线特征的多式ML可以有效地预测患有的成年人的抑郁事件.
- 开发的试点模型具有很高的准确性,但需要在更大的群体中进一步改进和外部验证.
- 这种方法有可能在管理过程中识别有患抑郁症风险的个人.
