使用机器学习方法开发一个简短的Hwa-Byung症状尺度
Chan-Young Kwon1, Boram Lee2, Sung-Hee Kim3
1Department of Oriental Neuropsychiatry, College of Korean Medicine, Dong-Eui University, Busan 47227, Republic of Korea.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
这项研究使用机器学习开发了一个两项的Hwa-byung (HB) 症状尺度,实现了对诊断这种韩国文化绑定综合征的高准确性.
科学领域:
- 精神病学和行为科学
- 计算心理学 计算心理学
- 韩国医学 韩国医学
背景情况:
- 华 (HB) 是一种主要在韩国人中观察到的文化绑定综合症,通常被称为"愤怒综合症"或"火灾病".
- 现有的HB评估工具可能缺乏广泛临床使用的效率.
研究的目的:
- 使用机器学习技术开发一个简短的Hwa-byung症状尺度.
- 为Hwa-byung.创建一个高效和准确的评估工具.
主要方法:
- 探索性因素分析 (EFA) 用于确定核心症状尺寸.
- 机器学习模型包括XGBoost,物流回归,随机森林,SVM,决策树和多层感知器.
- 在500名韩国成年人中使用原来的15项HB尺度进行调查,提供了数据集.
主要成果:
- EFA确定了两个因素:HB的心理症状和体质表现.
- 一个两项尺度 (Q3和Q10) 显示出HB存在的高预测能力.
- 机器学习模型实现了高精度 (约90%) 和辨别能力 (AUC 0.9436-0.9579),多层感知器表现最好.
结论:
- 整合EFA和AI/机器学习对于开发实际评估工具是有效的.
- 该研究提供了一种经过验证的,高效的两项表格来评估Hwa-byung.
- 这种方法论方法可以为在韩国医学及其他领域开发高效的评估提供信息.
