基于机器学习的中国青少年严重抑郁障碍非自杀性自伤风险预测模型
Ting Sun1,2, Jingfang Liu3, Hui Wang3
1Department of Nursing, Renmin Hospital of Wuhan University, Wuhan, People's Republic of China.
Neuropsychiatric disease and treatment
|August 14, 2024
概括
机器学习模型有效预测患有严重抑郁症 (MDD) 的青少年的非自杀性自我伤害 (NSSI). 关键预测因素包括功能失调的态度,童年创伤和抑郁症状,有助于针对性干预.
科学领域:
- 精神病学是一个精神病学.
- 机器学习 机器学习
- 青少年健康 青少年健康
背景情况:
- 非自杀性自我伤害 (NSSI) 是被诊断患有严重抑郁症 (MDD) 的青少年的一个关键问题.
- 有效的识别和干预策略对于这个脆弱的人群至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测患有MDD的青少年的NSSI风险.
- 在这个人口群体中确定NSSI的关键风险因素.
主要方法:
- 在488名患有MDD的青少年的数据集上使用了XGBoost和随机森林算法.
- 随机地将数据分为培训 (75%) 和测试 (25%) 集.
- 使用AUC,灵敏度,特异性,精度,回忆和F-score来评估模型性能.
主要成果:
- 161名参与者 (33%) 呈现NSSI,性别,年龄,抑郁症状,睡眠质量,功能障碍态度,童年创伤,人际关系问题,精神病症,神经病症和特定的育儿方式 (F2,M2) 有显著差异.
- XGBoost 的 AUC 值为 0.807,超过了随机森林 (AUC 0.780).
- 最重要的预测因素包括功能失调的态度,童年创伤,抑郁症状,F2和M2.
结论:
- 机器学习模型在中国青少年中显示出强大的NSSI预测能力.
- 这些模型增强了NSSI对医疗保健专业人员的评估.
- 为制定有针对性的预防和干预策略提供基础.
