使用机器学习模型预测产前抑郁症和评估模型偏差

科学领域:

• 生殖健康 生殖健康
• 计算医学是一种计算医学.
• 健康差异 在健康上的差异

背景情况:

• 围产期抑郁症 (PND) 影响10-20%的孕妇,在黑人和拉丁裔妇女中患病率更高,她们在诊断和治疗方面面临差异.
• 现有的机器学习 (ML) 模型用于PND预测,通常是根据多数人口的数据进行训练,当应用于种族和民族少数群体时,会表现出偏见和表现不佳.
• 这项研究解决了评估ML模型在预测怀孕早期抑郁症的有效性和公平性的需要,特别是在主要是低收入的少数患者群体中.

研究的目的:

• 用EMR数据评估ML模型在预测种族/少数民族妇女早期怀孕抑郁症方面的有效性.
• 在这个人口群体中确定与PND相关的因素.
• 评估少数群体的ML模型表现中的潜在偏差.

主要方法:

• 利用了城市医院的5875名患者的EMR数据,为低收入的黑人和西班牙裔妇女提供服务.
• 使用患者健康问卷-9 (PHQ-9) 进行抑郁症状评估.
• 调查了多个ML分类器,包括弹性网,并使用SHAP进行解释和偏差评估 (差异影响,平等机会差异).

主要成果:

• 弹性净ML模型实现了0.67.7的低ROCAUC.
• 确定已知的PND预测因子 (例如,意外怀孕,单身状态) 和新的因素 (例如,自我报告的疼痛,低产前维生素摄入量,喘,男性胎儿,低血小板计数).
• 对于占主导地位的低收入少数群体样本 (75%的少数群体,54%的黑人,27%的拉丁裔) 的模型表现明显较低.

结论:

• 机器学习模型显示了使用EMR数据在怀孕早期适度预测围产期抑郁症的潜力.
• 存在显著的绩效差异,ML模型表明对低收入和少数民族妇女的固有偏见.
• 进一步的研究对于为不同的孕产妇健康群体开发公平而准确的ML工具至关重要.