使用医疗索赔数据对基于深度学习的抑郁症检测的评估.

科学领域:

• 人工智能在医学中的应用
• 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

背景情况:

• 人类对精神疾病的诊断准确性仍然低于最佳水平.
• 尽管医疗保健数字化增加,但基于人工智能的数字决策支持 (DDSS) 的采用是有限的,因为现实世界的数据评估不足.
• 这项研究解决了使用广泛的真实世界医疗索赔数据进行强大的AI模型验证的需求.

研究的目的:

• 用纵向医学索赔数据评估深度学习模型在预测抑郁症方面的有效性.
• 调查时间数据特性对抑郁症检测准确度的影响.
• 开发和验证用于抑郁症预测的高度准确和可解释的AI模型.

主要方法:

• 利用了2018-2022年间812,853个人的医疗索赔数据集,包括26973,943种ICD-10编码疾病.
• 与非顺序 (LR,FNN),顺序 (LSTM,CNN-LSTM) 和衰变因子顺序模型 (GRU-Δt,GRU-衰变) 的比较.
• 开发并评估了一种新的可解释模型,Att-GRU-decay,将自我注意力与GRU衰变结合起来.

主要成果:

• 该Att-GRU-衰变模型实现了卓越的性能,AUC为0.990,AUPRC为0.974,特异性为0.999,灵敏度为0.944.
• 在抑郁症预测方面表现优于现有的最先进的方法.
• 证明了时间数据特征对于准确的抑郁症检测具有至关重要的重要性.

结论:

• 新的Att-GRU-衰变模型显示了使用医疗索赔数据准确预测抑郁症的巨大潜力.
• 验证了深度学习的实用性,用于开发有效的基于AI的数字决策支持系统 (DDSS).
• 提出了基于GP的抑郁症查的应用场景,以提高护理质量和降低成本.