可解释的机器学习算法可以使用自我报告的症状,生命体征和基于血液的标记来区分双相情感障碍和主要抑郁症

科学领域:

• 计算精神病学是一种计算精神病学.
• 医疗保健中的人工智能
• 发现生物标志物的发现.

背景情况:

• 双极性障碍 (BD) 和主要抑郁症 (MDD) 具有遗传和症状相似之处,导致错误诊断的高率.
• 错误地将BD诊断为MDD导致治疗效率低于最佳,患者的治疗结果更差.
• 准确的区分对于及时有效的治疗干预至关重要.

研究的目的:

• 开发和验证基于机器学习 (ML) 的诊断系统,使用电子医疗记录 (EMR) 数据.
• 为了区分患有BD (特别是抑郁情节) 的患者和入院时患有MDD的患者.
• 通过识别和可视化关键预测特征来提高ML模型的可解释性.

主要方法:

• 利用了2009年至2018年期间被诊断患有MDD或BD的16311名住院患者的数据集.
• 在已建立的子队列上训练并验证了四个ML算法 (逻辑回归,XGBoost,随机森林,SVM).
• 采用可解释的人工智能方法 (SHAP,分解) 进行人口层面和个人层面的特征分析.

主要成果:

• 在区分BD与MDD方面,XGBoost模型获得了最高的性能 (AUC:0.838).
• 关键预测因素包括特定症状 (例如,情绪上升,兴趣丧失),年龄,工作状态以及各种外围生物标志物 (例如,肌酸激酶,葡萄糖,尿酸,炎症标志物).
• 该模型还在区分BD抑郁情节和MDD方面表现出有效性 (AUC:0.777).

结论:

• 开发的ML诊断系统在识别不同临床情景中的BD方面表现出高准确性.
• 这些发现强调了外围标记在理解区分BD和MDD的病理生理学的潜力.
• 这种方法可以显著帮助减少诊断错误,改善情绪障碍的临床决策.