基于混合可视化的框架,用于检测和描述非典型患者的抑郁状态

科学领域:

• 计算精神病学是一种计算精神病学.
• 医疗信息学 医疗信息学
• 数据可视化数据可视化

背景情况:

• 抑郁症是一个重大的全球健康问题,需要改善早期检测和了解其起源.
• 全球抑郁症的患病率不断上升,凸显了对可访问和适应的诊断工具的需求,尤其是在资源有限的环境中.

研究的目的:

• 提出一种新的抑郁症检测框架,使用混合可视化方法,结合本地和全球解释.
• 为了促进模型适应,提供对患者特征的见解,并评估预测模型在各种环境中的适用性.

主要方法:

• 使用R编程语言与Caret,ggplot2,Plotly和Dalex库进行模型开发和解释.
• 雇佣了国家健康和营养检查调查 (NHANES) 存储库 (2015-2020) 的二次数据分析.
• 构建了处罚后勤回归模型,并使用全球特定和本地层面的解释来评估它们.

主要成果:

• 开发的预测模型实现了曲线下面面积 (AUC) 的平均得分为0.748 (95% CI:0.743-0.752).
• 在评估中显示模型灵敏度和特异性的最小变化.
• 确定胸部疼痛,家庭收入与贫困比例,以及吸烟状态作为抑郁状态的关键预测因素.

结论:

• 混合可视化框架有效支持抑郁症检测和模型解释在原始和新环境.
• 胸痛,收入和吸烟状况等关键特征是预测抑郁症的强有力的指标.
• 该方法为提高抑郁症预测模型适应性和在公共卫生中应用提供了有价值的工具.