堆叠的人工神经网络在COVID-19大流行期间预测精神疾病

科学领域:

• 公共卫生 公共卫生
• 心理健康研究 心理健康研究
• 流行病学 流行病学

背景情况:

• COVID-19 疫情对全球心理健康产生了重大影响,导致焦虑,压力和抑郁症的增加.
• 在疫情期间,社会隔离,沟通减少和社会干预有限等因素加剧了心理健康障碍.
• 早期检测和治疗对于管理与精神障碍相关的生理痛苦和减少个人健康负担至关重要.

研究的目的:

• 调查大流行期间心理健康的决定因素,重点关注人口背景,心理困扰,幸福和健康.
• 开发心理健康的预测模型,使用深度学习技术来帮助快速诊断和治疗.
• 通过提供早期识别心理健康风险的工具,促进整体公共心理健康.

主要方法:

• 利用深度学习模型,能够处理许多变量来预测心理健康.
• 凯斯勒心理窘迫度表专注于分析人口统计数据,分数,幸福水平和健康决定因素.
• 将深度学习的有效性与传统的回归方法进行比较,解决了诸如过拟合和无法纳入多个变量的局限性.

主要成果:

• 深度学习模型通过整合各种决定因素来预测心理健康状况的潜力.
• 该研究确定了导致大流行期间心理健康下降的关键因素,包括心理困扰和社会隔离.
• 结果表明,它对患有神经障碍的儿童和个人产生了不成比例的影响,突出了特定的风险人群.

结论:

• 使用深度学习等先进模型对心理健康状况的早期预测对于有效的干预至关重要.
• 该研究强调了需要可访问和高效的诊断工具来应对日益严重的心理健康危机.
• 调查结果可以为旨在减轻流行病对心理健康的长期后果和促进恢复力的公共卫生战略提供信息.