在早期阶段使用混合深度学习模型对产后抑郁症的患病率和风险因素分析

科学领域:

• 计算精神病学是一种计算精神病学.
• 医疗保健中的人工智能
• 心理健康信息学心理健康信息学

背景情况:

• 产后抑郁症 (PPDD) 是一个重要的心理健康问题,需要早期发现.
• 准确识别PPDD风险因素对于及时干预至关重要.
• 现有的方法可能缺乏有效预测PPDD所需的精度.

研究的目的:

• 开发和评估一种混合人工智能框架,用于预测产后抑郁症 (PPDD).
• 调查使用文本和音频数据用于PPDD风险评估的可行性.
• 为了提高PPDD检测的准确性和及时性.

主要方法:

• 一个混合框架,将改进的双向长期短期记忆 (IBi-LSTM) 与转移学习 (TL) 结合起来,使用卷积神经网络 (CNN) 架构 (CNN-text,CNN-audio).
• 利用PPDD数据集,包括患者的文字和音频记录.
• 整合了一个注意力机制来提高模型的性能.

主要成果:

• 与现有的深度学习模型相比,拟议的模型在精度,回忆,准确性和F1分数方面表现出卓越的表现.
• 该模型有效地区分了患PPDD风险的妇女和没有PPDD风险的妇女.
• 功能重要性分析确定了影响PPDD预测的关键风险因素.

结论:

• 混合IBi-LSTM和TL-CNN模型为准确和及时的PPDD风险评估提供了一个有希望的方法.
• 早期检测能力可以促进迅速干预和支持处于危险的妇女.
• 这项研究为增强PPDD查工具提供了基础.