机器学习与传统方法的比较分析,用于在NICU中早期检测家长的抑郁症状

科学领域:

• 医疗信息学 医疗信息学
• 精神病学是一个精神病学.
• 医疗保健中的机器学习

背景情况:

• 新生儿重症监护室 (NICU) 的入院是父母的重要压力因素,与一般出生人口相比,他们患抑郁症症状的风险翻了一番.
• 父母心理健康问题在NICU入院后可能会对父母和婴儿产生持久的有害影响.
• 早期发现和干预父母抑郁症至关重要,以减轻这些负面结果.

研究的目的:

• 为了比较传统的逻辑回归与各种机器学习 (ML) 模型在识别患有抑郁症症状高风险的父母方面的有效性.
• 为了建立一个基础,优先考虑查努力的父母经历了高抑郁症的风险在NICU入院后.

主要方法:

• 优化了八个ML算法:物流回归,支持向量机,决策树,随机森林,XGBoost,天真贝叶斯,K-最近邻居和人工神经网络.
• 模型性能使用包括曲线下的面积 (AUC),正预测值 (PPV),灵敏度和F-score在内的指标进行评估.
• 分析了300名婴儿父母的数据,这些婴儿从儿童国家医院的NICU出院 (2016-2017年),包括人口统计学,抑郁症,压力,社会支持以及父母/婴儿因素.

主要成果:

• 所有八个评估的模型都显示曲线下的面积 (AUC) 超过0.8.
• 逻辑回归模型的性能与其他常见的机器学习模型在识别父母抑郁风险方面是可比的.

结论:

• 后勤回归是识别患有抑郁症风险的父母的有效工具,可以进行有针对性的查.
• 该模型的性能与更复杂的机器学习方法相当,突出显示了其在临床环境中的实用性.