在双相情感障碍中使用多维数据的机器学习 - 试点结果
Armin Birner1, Marco Mairinger1, Clemens Elst2
1Department of Psychiatry and Psychotherapeutic Medicine, Medical University of Graz, Graz, Austria.
Bipolar disorders
|March 26, 2024
概括
机器学习模型在帮助双相情感障碍诊断方面表现有前途,达到高达0.84 AUROC. 虽然有效,但需要进一步的研究来将这些工具整合到临床实践中,以提高诊断准确度.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 精神病学是一个精神病学.
背景情况:
- 由于其复杂的表现,双极性障碍的诊断往往会延迟,平均诊断延迟8.8年.
- 早期诊断和干预对于改善双相情感障碍患者的生活质量和预期寿命至关重要.
- 机器学习 (ML) 为提高诊断准确性和减少误诊率提供了一个潜在的途径.
研究的目的:
- 研究机器学习算法的有效性,以支持双相情感障碍的诊断过程.
- 使用人口和认知测试数据,比较不同ML算法的性能.
主要方法:
- 使用了一套包含人口统计信息和认知测试结果的数据集,来自196名双相情感障碍患者和145名健康对照.
- 训练和比较了五种不同的机器学习算法.
主要成果:
- 后勤回归成为表现最好的算法,最初实现了0.69.6的宏观平均F1得分.
- 优化导致了一个改进的模型,宏观平均F1得分为0.75,微观平均F1得分为0.77,AUROC为0.84.
- 身体质量指数,Stroop测试和d2-R测试结果被确定为分类的关键变量.
结论:
- 开发的ML模型显示了潜在临床应用的可接受性能,但尚未超过经验丰富的临床医生.
- 建议进行进一步的研究,以确定和完善最大限度地提高分类贡献的变量,以改善诊断支持.
