早期检测儿科和青少年的强迫症,分离焦虑和注意力缺陷多动症使用机器学习算法

科学领域:

• 儿童和青少年精神病学
• 医疗保健中的机器学习
• 心理健康诊断 心理健康诊断

背景情况:

• 强迫症,SAD和ADHD等心理健康障碍显著影响儿童的发展.
• 现有的青少年这些疾病的诊断方法由于特征和参与者数量有限,其准确性受到限制.
• 早期识别对于有效的干预和改善儿科心理健康结果至关重要.

研究的目的:

• 研究机器学习算法在识别儿童和青少年常见心理健康障碍方面的有效性.
• 利用一个庞大的,具有全国代表性的数据集,包含1474个特征,以提高诊断准确度.
• 开发一种用于早期发现年轻人精神健康状况的实用工具.

主要方法:

• 使用基于树的管道优化工具 (TPOTClassifier) 进行算法选择.
• 应用和评估了三个最佳的机器学习算法:随机森林 (RF),决策树 (DT) 和高斯天真贝斯 (GaussianNB).
• 采用内部交叉验证来对所选模型进行可靠的性能评估.

主要成果:

• 斯的天真贝叶斯对强迫症的准确率达到了91%,对SAD的准确率达到了79%.
• 随机森林在识别ADHD方面表现出卓越的表现,准确率为91%.
• 所有测试的算法在各自条件下都记录了高精度和特异性.

结论:

• 机器学习模型显示,对儿童和青少年中强迫症,SAD和ADHD的准确早期检测有很大的潜力.
• 使用Streamlit和Python开发了一个Web应用程序,以促进家长和学校官员早期发现精神疾病.
• 开发的应用程序旨在及时启动治疗,改善受影响年轻人的预后.