在大量青少年中确定抑郁症风险:基于随机森林的人工神经网络

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 计算神经科学是一种神经科学.
• 公共卫生 公共卫生

背景情况:

• 青少年抑郁症是一个重要的公共卫生问题,需要有效的查工具.
• 目前针对青少年抑郁症的初级保健查方法可能缺乏全面的预测能力.
• 确定关键风险因素对于早期干预和预防策略至关重要.

研究的目的:

• 开发和验证人工神经网络 (ANN) 模型,用于预测青少年抑郁风险.
• 在预测模型中整合随机森林 (RF) 进行高效的变量选.
• 确定与青少年抑郁症相关的重大风险因素,以改善查.

主要方法:

• 一项大型的横截面研究,涉及中国8635名青少年 (10-17岁) 和他们的父母.
• 利用患者健康问卷 (PHQ-9) 进行抑郁症症状评估.
• 使用RF进行初始变量重要性评估,然后进行ANN模型构建.

主要成果:

• 青少年中抑郁症状的患病率为24.6%.
• 最终的ANN模型实现了85.03%的准确性,AUC为0.892.
• 最重要的预测因素包括青少年的反省,自尊,手机成,同行受害,育儿风格,学术压力和亲子关系冲突.

结论:

• 通过射频查增强的ANN模型有效预测青少年抑郁风险.
• 这种方法为青少年进行大规模初级抑郁症查提供了有价值的方法参考.
• 限制包括横截面设计和依赖单项尺度,这表明了未来研究的途径.