[基于机器学习方法的全血细胞计数的抑郁症初步预测模型]

科学领域:

• 医疗信息学 医疗信息学
• 血液学 血液学 血液学
• 精神病学是一个精神病学.

背景情况:

• 抑郁症和焦虑症等精神疾病对公众健康构成重大挑战.
• 需要针对心理健康状况的客观诊断工具来补充主观评估.

研究的目的:

• 开发和评估机器学习模型,使用常规血细胞分析参数预测抑郁症.
• 为了区分患有抑郁症,焦虑症和健康对照的患者.

主要方法:

• 一项多中心研究收集了两家医院 (2020-2021) 的血细胞分析数据.
• 使用了机器学习算法,包括支持向量机,决策树,naive Bayes,随机森林和多层感知子.
• 使用各种血细胞参数构建预测模型,重点是血小板计数.

主要成果:

• 在将抑郁症与健康对照区分开来时,抑郁症预测模型实现了高精度 (0.99) 和F1得分 (0.975).
• 血小板参数被确定为抑郁症预测模型的关键贡献者.
• 抑郁症与焦虑症的差异诊断模型显示中度准确度 (0.68) 和AUC (0.622),年龄,血小板参数和红细胞体积是显著因素.

结论:

• 常规血液细胞分析参数,当用机器学习分析时,为客观抑郁症预测提供了一个有希望的途径.
• 与传统方法相比,机器学习模型显示出对精神疾病的更客观评估的潜力.