基于神经成像和自然语言处理的自杀想法在严重抑郁症中进行分类
Dong Yun Lee1,2, Gihwan Byeon3, Narae Kim1,4
1Department of Biomedical Informatics, Ajou University School of Medicine, Suwon, South Korea.
Translational psychiatry
|July 4, 2024
概括
这项研究开发了一种机器学习模型,使用脑成像和临床笔记来对抑郁症患者的自杀想法进行分类. 结合这些数据源显著提高了分类准确性,帮助个性化的自杀预防工作.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 计算医学是一种计算医学.
背景情况:
- 自杀是全球主要的公共卫生问题,精神疾病,特别是抑郁症是主要的危险因素.
- 对抑郁症患者的自杀念头进行准确的分类对于有效的,个性化的自杀预防策略至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于对抑郁症患者的自杀想法进行分类.
- 研究整合神经成像 (MRI) 和临床笔记数据的实用性,以改善分类.
主要方法:
- 利用152名抑郁症患者的非结构化精神病学图表和脑MRI数据进行模型开发.
- 采用了 eXtreme Gradient Boosting (XGBoost) 模型,该模型结合了来自MRI的独立组件-地图权重和来自临床笔记的主题概率.
- 在来自不同医院的58名患者的独立队列上验证了该模型.
主要成果:
- 综合模型整合了临床症状和结构性大脑模式,实现了0.794.4的最高曲线下面积 (AUC).
- 焦虑和体征症状主题在自杀组中更为普遍,观察到明显的默认模式和皮质中线网络差异.
- 性能指标在内部开发和外部验证数据集中一致.
结论:
- 整合神经成像和自然语言处理变量可以提高对抑郁症中自杀念头的评估.
- 结合临床和神经生物学数据的个性化方法有望改善自杀风险评估和干预.
