使用基于心率变化的可解释机器学习模型来辅助识别抑郁症患者:一项回顾性研究
Min Yang1, Huiqin Zhang1, Minglan Yu2,3
1School of Public Health, Southwest Medical University, No.1 Section 1, Xiang Lin Road, Longmatan District, Luzhou, 646000, P. R. China.
BMC psychiatry
|December 18, 2024
概括
心率变化 (HRV) 显示了作为抑郁症生物标志物的潜力. 机器学习模型,特别是XGBoost,可以使用HRV数据进行准确的辅助抑郁症诊断和监测.
科学领域:
- 心脏病学 心脏病学
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 抑郁症是一个重要的全球健康问题,发病率和残疾率很高.
- 准确和有效的诊断对于及时干预至关重要.
研究的目的:
- 探索心率变化 (HRV) 和抑郁症之间的关联.
- 使用HRV建立和验证用于辅助抑郁症诊断的机器学习模型.
主要方法:
- 利用了来自465名门诊患者的数据,随机分为培训 (70%) 和测试 (30%) 集.
- 开发并比较了四种机器学习模型:物流回归,支持矢量机,随机森林和XGBoost.
- 使用ROC曲线,校准曲线和决策曲线分析评估模型性能,以SHAP为特征重要性.
主要成果:
- XGBoost模型表现出卓越的性能,在训练组中,曲线下的面积 (AUC) 值为0.92,在测试组中为0.82.
- 由SHAP确定的顶级预测因素包括年龄,心率,NN间隔的标准偏差 (SDNN),两个非线性HRV参数和性别.
- XGBoost 模型表现出优异的预测效率和临床实用性.
结论:
- HRV是抑郁症的一个可行的潜在生物标志物.
- 基于HRV的机器学习模型作为临床医生的定量辅助诊断工具.
- 这种工具可以提高诊断的准确性和效率,有助于抑郁症的监测和预防.
更多相关视频
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
2.2K
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
1.7K
