机器学习模型对精神分裂症分类的外部验证
Yupeng He1, Kenji Sakuma2, Taro Kishi2
1Department of Public Health, Fujita Health University School of Medicine, Toyoake 470-1192, Japan.
Journal of clinical medicine
|May 25, 2024
概括
精神分裂症 (SZ) 分类器显示75%的灵敏度,但与错误分类其他疾病作斗争. 需要进一步开发以提高准确性,以便在识别精神分裂症患者时广泛临床使用.
科学领域:
- 精神病学是一个精神病学.
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 机器学习模型需要出色的概括性,以便在实践中实现.
- 一个精神分裂症 (SZ) 分类模型之前已经为日本人口开发并内部验证.
- 外部验证对于确保SZ分类器的稳定性和通用性至关重要.
研究的目的:
- 用独立的门诊数据对SZ分类器进行外部验证.
- 评估SZ分类器在精神分裂症,双相情感障碍和严重抑郁症患者的表现.
主要方法:
- SZ分类器接受了在线调查数据的培训,包括人口统计,健康和社会并发症特征.
- 外部验证使用了一个独立的门诊样本集.
- 用敏感度和错误分类率来评估模型性能.
主要成果:
- 对于精神分裂症患者,SZ分类器实现了0.75的灵敏度.
- 错误分类率为双相情感障碍的59%,主要抑郁症的55%.
- 该模型表明,在准确的个人级别诊断方面存在挑战.
结论:
- 在临床实施之前,SZ分类器需要进行改进,以提高准确性和减少错误分类率.
- 对某些精神疾病的特异性较差表明了局限性.
- 在模型开发中包括各种精神疾病可能会提高未来的性能.
关键词:
双极性躁动症是什么意思 双极性躁动症是什么意思这是分类分类的分类.抑郁 抑郁症 抑郁症 抑郁症 抑郁症通过外部验证.机器学习是机器学习.神经网络的神经网络的神经网络精神分裂症是一种精神分裂症.
