在隐藏网络和中老年人和老年人的心理健康状况上进行系统的超参数选择的图形机器学习

科学领域:

• 老年学是一门学科.
• 计算精神病学是一种计算精神病学.
• 网络科学 网络科学

背景情况:

• 收集明确的社交网络数据是耗时的.
• 隐藏的网络在健康结果中发挥着作用.
• 在老年人群中预测心理健康状况至关重要.

研究的目的:

• 利用图形机器学习 (GML) 来识别隐藏的社交网络.
• 预测中年和老年人的心理健康状况.
• 探索这个人口群体中精神疾病的决定因素.

主要方法:

• 采用了来自韩国老龄化纵向研究 (2016-2018) 的数据.
• 包括2000名56岁及以上的参与者.
• 利用GML与系统的超参数选择来根据28个预测因素预测精神疾病.

主要成果:

• 图形随机森林模型在预测精神疾病方面实现了93%的灵敏度.
• 最重要的决定因素包括先前的精神疾病,年龄,收入和各种生活满意度方面.
• 总体而言,生活满意度是一个重要的预测因素,突出了它在情感联系和群体互动中的作用.

结论:

• 提高个人生活满意度可以加强社会联系,降低精神疾病风险.
• 生活满意度和情感联系对于诊断和管理老年人的心理健康至关重要.
• GML提供了一种强大的方法来揭示影响健康结果的隐藏网络.