使用机器学习来预测患有慢性疾病的老年人发生2年抑郁症的概率:一个回顾性队列研究
Ying Zheng1, Taotao Zhang1, Shu Yang2
1School of Nursing, Bengbu Medical University, Bengbu, China.
BMC psychiatry
|December 2, 2024
概括
一个新的后勤回归模型与SMOTE结合,有效地预测了中国老年人患有慢性疾病的抑郁症. 这种工具有助于早期识别和干预处于危险的个体.
科学领域:
- 老年学是一门学科.
- 公共卫生 公共卫生
- 计算医学是一种计算医学.
背景情况:
- 患有慢性疾病的老年人面临更高的抑郁风险.
- 在中国老年人中,预测两年内抑郁症的发作是具有挑战性的.
- 中国健康与退休长度研究 (CHARLS) 提供了关键数据.
研究的目的:
- 开发和验证发生2年抑郁症的风险预测模型 (RPM).
- 估计中国老年人患抑郁症的概率.
- 在这个人口群体中确定抑郁症的关键预测因素.
主要方法:
- 使用了四种机器学习算法 (逻辑回归,AdaBoost,随机森林,kNN).
- 模型使用2011-2015年查尔斯数据开发,并使用2018-2020年数据验证.
- 使用AUROC,AUPRC,精度和灵敏度来评估性能.
主要成果:
- 使用合成少数群体过量采样技术 (LR-SM) 的后勤回归模型显示出优异的预测精度 (AUROC: 0.612,AUPRC: 0.468).
- 外部验证证实了良好的预测能力 (AUROC:0.623).
- 关键预测因素包括性别,自我评估的健康状况,职业,视力,记忆力和生活满意度.
结论:
- 开发的RPM显示出高精度和良好的校准,可以预测2年的抑郁风险.
- 该LR-SM模型是有效的识别高风险的中国老年人.
- 基于模型预测,可以实施及时干预策略.
