使用机器学习来开发儿童抑郁症库存的五项简体形式

科学领域:

• 精神病学是一个精神病学.
• 临床心理学 临床心理学
• 发展心理学 发展心理学

背景情况:

• 青少年抑郁症是一个很大的问题,往往没有被发现和治疗.
• 27项儿童抑郁症库存 (CDI) 在中国广泛使用,但耗时.
• 需要为青少年提供本地化,简化和高效的抑郁查工具.

研究的目的:

• 开发儿童抑郁 inventory (CDI) 的缩短版本,以有效预测青少年高抑郁风险.
• 提高青少年群体抑郁症查的速度和可访问性.
• 创建一个本地化和验证的工具,用于中国.

主要方法:

• 逆向淘汰用于创建简短的表格尺度 (例如,三项,五项).
• 五个机器学习算法使用AUC评估了使用AUC的简单表格尺度表现.
• 确定了最佳规模和决策值,随后进行了可靠性和有效性评估.

主要成果:

• 一个五项CDI尺度,决定值为4,被认为是最优的.
• 该尺度表现出良好的预测性能 (AUC=0.81,精度=0.83).
• 这种五项尺度在315名中学生的样本中显示出良好的测量特性 (Cronbach的alpha=0.72,有效性=0.77).

结论:

• 开发的五项CDI是中国的第一个缩短和修订版本.
• 这种尺度为预测青少年高抑郁风险提供了一种有效的方法.
• 该工具基于一个大规模的本地数据样本,确保相关性和适用性.