在主观响应错误中预测抑郁和焦虑时评估机器学习稳定性

科学领域:

• 计算精神病学是一种计算精神病学.
• 机器学习在医疗保健中的应用
• 心理健康信息学心理健康信息学

背景情况:

• 大型抑郁症 (MDD) 和泛性焦虑症 (GAD) 显著影响个人和社会.
• 准确预测MDD和GAD对于及时干预和治疗至关重要.
• 使用电子健康记录和调查数据的机器学习 (ML) 模型显示出预测这些条件的前景,但容易受到主观数据不准确的影响.

研究的目的:

• 评估五种ML算法的可靠性,以预测MDD和GAD在不同程度的主观调查响应不准确的情况下.
• 识别ML算法,证明弹性和保持预测准确性,当面对数据不可靠性.

主要方法:

• 评估了五种ML算法:卷积神经网络 (CNN),随机森林,XGBoost,后勤回归和天真贝叶斯.
• 使用了一个包含生物医学,人口统计和自我报告调查信息的数据集.
• 模拟主观反应的不准确性 (记忆回忆偏差,主观解释) 来测试算法性能.

主要成果:

• 所有算法都在高质量的调查数据上表现良好.
• 当遇到错误或有偏见的答案时,表现有显著差异.
• 美国有线电视新闻网表现出卓越的弹性,保持甚至提高准确性,科恩的卡帕,以及MDD和GAD预测的正确性.

结论:

• 算法弹性对于准确的心理健康预测至关重要,尤其是在主观的自我报告数据中.
• 美国有线电视新闻网 (CNN) 显示出强大的能力来处理心理健康预测中的数据不可靠性.
• 仔细的算法选择是必不可少的,CNN成为预测MDD和GAD在数据不确定性下有希望的候选人.