预测孟加拉大学生中的焦虑,抑郁和失眠,使用基于树的机器学习模型
Arman Hossain Chowdhury1, Dana Rad2, Md Siddikur Rahman1
1Department of Statistics Begum Rokeya University Rangpur Bangladesh.
Health science reports
|April 23, 2024
概括
机器学习模型确定了孟加拉大学生焦虑,抑郁和失眠的关键风险因素. 对于这些心理健康问题,XGBoost模型展示了最高的预测准确度.
科学领域:
- 公共卫生 公共卫生
- 计算精神病学是一种计算精神病学.
- 医疗保健中的机器学习
背景情况:
- 心理健康问题是一个日益严重的公共卫生问题,显著影响大学生.
- 孟加拉大学生面临着相当大的心理健康挑战负担.
研究的目的:
- 在大学生中识别焦虑,抑郁和失眠的主要危险因素.
- 用基于树的机器学习模型来预测心理健康状况.
主要方法:
- 一项基于社交媒体的横截面调查收集了1250名学生的数据.
- 经过验证的尺度 (GAD-7,PHQ-9,ISI-7) 可以测量焦虑,抑郁和失眠.
- 使用决策树,随机森林和XGBoost机器学习算法进行预测.
主要成果:
- 观察到中度至重度焦虑 (83.3%),抑郁 (84.7%) 和失眠 (76.5%) 的高患病率.
- 社交媒体成,年龄,学业成绩,吸烟,收入和时间型被确定为关键风险因素.
- 在所有三个条件下,XGBoost模型实现了最高的预测性能.
结论:
- 调查结果为决策者和利益相关者提供了关键的见解,以制定有针对性的心理健康战略.
- 拟议的机器学习模型可以帮助在大学环境中诊断和预测心理健康问题.
- 为大学校园推改善政策,促进心理健康和咨询服务.
