在一个生态瞬间评估研究中对自杀念头的时间预测,使用经常性神经网络
Tse-Hwei Choo1, Melanie Wall2, Beth S Brodsky3
1Mental Health Data Science Division, New York State Psychiatric Institute, New York, NY, United States of America; Department of Biostatistics, Mailman School of Public Health, Columbia University, New York, NY, United States of America.
Journal of affective disorders
|May 25, 2024
概括
与传统的统计模型相比,循环神经网络 (RNN) 在日常生活评估中更准确地预测自杀念头 (SI). 这种先进的分析方法为心理健康研究提供了更好的洞察力,特别是对于边缘性人格障碍患者.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 数据科学和机器学习
- 行为科学 行为科学
背景情况:
- 生态瞬间评估 (EMA) 收集了丰富的,时间变化的数据,对心理健康研究有价值.
- 传统的混合效应线性模型 (MEM) 可能无法充分利用EMA数据的复杂性.
- 循环神经网络 (RNN) 为分析多维EMA数据提供了一个有希望的替代方案,特别是对于非正常分布的结果.
研究的目的:
- 使用EMA数据,比较RNN和MEM对自杀念头 (SI) 的预测准确度.
- 评估RNN在捕捉时间变化的心理健康现象细微差别方面的表现.
- 确定RNN是否为更高的SI值和特定参与者子组提供更优质的预测.
主要方法:
- 84名患有边缘性人格障碍 (BPD) 的参与者完成了为期一周的EMA研究.
- 参与者每天提供多个关于SI,压力事件,应对和影响的答案.
- RNN和MEM被训练来预测SI,精度与使用RMSE,MAPE和伪R2.2进行比较.
主要成果:
- 与MEM相比,RNN表现出更高的预测准确度 (RMSE=3.41,MAPE=42%,伪R2=26%) 与MEM相比 (RMSE=3.84,MAPE=56%,伪R2=16%) 的预测准确度更高.
- 在预测高SI水平方面,RNN的准确性显著提高.
- 在接受抑郁症诊断或更高基线抑郁症得分的参与者中,RNN还更准确地预测了SI得分.
结论:
- 与传统的混合效应模型相比,RNNs提供了一种更有效的方法来分析EMA数据,以预测日常自杀想法.
- 调查结果表明,在精神健康研究中对EMA数据分析中,应强烈考虑RNN.
- RNN捕捉复杂模式的能力提高了预测准确性,特别是在严重的症状.
