一种基于机器学习算法的模型,用于预测中国西部青少年非自杀性自伤风险:一项多中心横截面研究
Yunling Zhong1, Jinlong He1, Jing Luo1
1Mental Health Center, Affiliated Hospital of North Sichuan Medical College, No.1 Maoyuan South Road, Shunqing District, Nanchong City, Sichuan Province, China.
Journal of affective disorders
|October 28, 2023
概括
机器学习模型可以预测中国青少年的非自杀性自伤行为 (NSSI). 抑郁和焦虑是关键预测因素,有助于早期干预和改善青少年的福祉.
科学领域:
- 青少年心理学 青少年心理学
- 医疗保健中的机器学习
- 公共卫生 公共卫生
背景情况:
- 非自杀性自伤行为 (NSSI) 在青少年中很普遍.
- 这种人群中NSSI风险的预测模型有限.
- 准确的风险评估对于及时干预至关重要.
研究的目的:
- 开发和验证中国青少年NSSI风险的基于机器学习的预测模型.
- 在这个人口群体中识别NSSI行为的主要预测因素.
- 为临床风险评估和干预计划提供工具.
主要方法:
- 使用了极端梯度提升 (XGBoost) 和多变量逻辑回归模型.
- 数据来自中国西部50所学校的13304名青少年.
- 诺米图为临床应用而绘制.
主要成果:
- XGBoost认为抑郁和焦虑是NSSI的前两个预测因素.
- 多变量逻辑回归突出了包括女性性别,年龄,与父亲生活,精神病咨询史,压力,抑郁,焦虑,容忍和情绪反应在内的因素.
- 这两种模型都表现出良好的预测性能.
结论:
- 机器学习模型,特别是XGBoost,提供了对青少年NSSI风险的可靠预测.
- 鉴定的风险因素可以为有针对性的预防和干预策略提供信息.
- 诺米图像作为实用的临床工具,以支持处于NSSI风险的青少年.
