在中国青少年中预测非自杀性自我伤害:机器学习十种算法的应用
Wei Chen1,2, Yujing Gao1,2, Shiyin Xiao1,2
1School of Psychology, Guizhou Normal University, Guiyang, China.
Heliyon
|September 30, 2024
概括
机器学习模型显著改善了中国青少年非自杀性自我伤害 (NSSI) 的预测. 堆叠和随机森林等组合方法显示出高准确性,识别了干预的关键风险因素.
科学领域:
- 青少年心理健康 青少年心理健康
- 机器学习在医疗保健中的应用
- 公共卫生研究 公共卫生研究
背景情况:
- 非自杀性自我伤害 (NSSI) 是全球青少年健康的一个重大挑战.
- 现有的NSSI预测模型由于有限的算法方法而表现出偏差.
- 在青少年NSSI研究中,急需提高预测准确度和偏差缓解.
研究的目的:
- 开发和评估多种机器学习模型,用于预测中国青少年中的NSSI.
- 提高NSSI预测的准确性,减少青少年人口中的偏见.
- 为了确定针对性干预的NSSI的关键预测因素.
主要方法:
- 在中国招募了4487名初中和高中生.
- 开发了使用多种算法的预测模型:物流回归,决策树,SVM,天真贝叶斯,MLP,k-NN和整体方法 (随机森林,包装,AdaBoost,堆叠).
- 采用数据处理技术,包括标准化和合成少数人过量采样技术 (SMOTE);对70%的数据进行模型训练,对30%的数据进行测试.
主要成果:
- 十个机器学习模型表现出良好的表现,在测试组中,曲线下的面积 (AUC) 得分>0.700.
- 堆叠 (AUC=0.904) 和随机森林 (AUC=0.898) 模型实现了最高的预测准确度.
- 确定的主要预测因素包括性,欺凌,自杀念头,互联网成和抑郁症.
结论:
- 整体机器学习算法显示,对预测青少年NSSI有很大的前景.
- 这些先进的算法被推用于未来的NSSI研究,以提高预测能力.
- 确定关键的风险因素有助于开发查工具,并为青少年NSSI提供临床干预信息.
