加拿大老龄化纵向研究 (CLSA) 中焦虑开始的前性预测:一项机器学习研究
Yutong Li1, Yipeng Song1, Jie Sui2
1Department of Psychiatry, University of Alberta, Edmonton, Alberta, Canada.
Journal of affective disorders
|April 26, 2024
概括
机器学习准确地预测了老年人焦虑的开始,使用诸如以前的抑郁,脆弱和个性特征等因素. 仅仅是先前的抑郁症诊断不足以进行预测,这凸显了对多种预测因子的需求.
科学领域:
- 老年学是一门学科.
- 心理健康 心理健康
- 计算精神病学是一种计算精神病学.
背景情况:
- 焦虑障碍显著影响中年和老年人的福祉,常常由并发症和脆弱性加剧.
- 在这个人群中早期发现焦虑障碍对于减轻不良结果至关重要.
研究的目的:
- 应用机器学习 (ML) 预测老年人焦虑障碍的发病时间,提前大约三年.
- 用ML和Shapley基于价值的方法识别焦虑发作的关键预测因素.
主要方法:
- 利用了加拿大长度老龄化研究 (CLSA) 的数据.
- 采用了ML模型来预测未来的焦虑障碍发作.
- 应用了基于Shapley值的方法来确定最重要的预测因素.
主要成果:
- 该ML模型实现了焦虑开始的准确预测 (AUC = 0.814 ± 0.016).
- 关键预测因素包括先前的抑郁症/情绪障碍诊断,高脆弱性,焦虑个性和低情绪稳定性.
- 仅仅先前的抑郁症诊断不足以预测焦虑症的出现.
结论:
- 机器学习为老年人个性化的焦虑发作预测提供了一个有希望的方法.
- 除了先前的抑郁症诊断之外,整合多种预测因素对于提高预测准确性至关重要.
- 易于访问的调查数据可以有效地用于开发这些预测模型.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
09:38Generalized Psychophysiological Interaction PPI Analysis of Memory Related Connectivity in Individuals at Genetic Risk for Alzheimer's Disease
Published on: November 14, 2017
14.9K
