预测情绪障碍的euthymic患者的功能障碍:一个5年的随访

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 计算精神病学是一种计算精神病学.
• 医疗保健中的机器学习

背景情况:

• 大型抑郁症 (MDD) 和双极性障碍 (BD) 与显著的心理社会和功能障碍有关.
• 功能性缺陷,特别是在职业和认知领域,尽管情绪障碍的临床症状有所改善,但往往仍然存在.
• 预测和理解导致持续功能障碍的因素对于全面的患者护理至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测情绪障碍患者的功能障碍.
• 确定与该人群功能障碍相关的关键临床,社会人口和环境因素.

主要方法:

• 一项基于人口的队列研究包括282名被诊断患有情绪障碍的参与者.
• 机器学习算法,特别是随机森林 (RF) 和LASSO,用于预测建模.
• 使用递归特征选择,保留25个变量用于对归算数据进行模型开发.

主要成果:

• 与LASSO模型相比,随机森林模型在预测功能障碍方面表现优越.
• 确定的主要预测因素包括性虐待史,抑郁症,焦虑症和体征症状的严重程度,以及身体忽视和虐待的经历.
• 根据临床和环境数据的结合,开发的模型在预测功能障碍方面表现出可接受的表现.

结论:

• 机器学习模型可以有效地预测患有严重抑郁症和双极性障碍的患者的功能障碍.
• 早期生命创伤和症状负担是影响长期功能结果的重要因素.
• 虽然有希望,但该模型对老年人群的概括性需要进一步调查;然而,它强调了数据驱动工具在评估功能性能的潜力.