机器学习在抑郁症风险预测中用于连接组织疾病的应用
Leilei Yang1, Yuzhan Jin2,3, Wei Lu2,3
1Department of Rheumatology and Immunology, Nanjing First Hospital, Nanjing Medical University, Nanjing, China.
Scientific reports
|January 11, 2025
概括
一个新的机器学习模型,Categorical Boosting (Catboost),有效地评估了连接组织疾病 (CTD) 患者的抑郁风险. 该工具为CTD患者提供了改进的心理健康管理.
科学领域:
- 医疗信息学 医疗信息学
- 计算精神病学是一种计算精神病学.
- 类风湿病学 类风湿病学
背景情况:
- 连接组织疾病 (CTD) 与更高的抑郁症患病率有关.
- 传统的抑郁症评估工具在临床环境中可能存在局限性.
- 准确和有效的抑郁风险评估对于管理CTD患者至关重要.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于评估CTD患者的抑郁风险.
- 为了比较各种ML模型在预测抑郁症严重程度方面的表现.
- 创建一个临床适用的工具来评估CTD患者的抑郁风险.
主要方法:
- 从480名CTD患者的临床数据回顾性收集.
- 使用单变量分析和LASSO算法开发六个ML模型.
- 用不同抑郁症严重程度的F1分数等指标验证模型.
- 使用SHAP解释模型并开发R Shiny应用程序.
主要成果:
- 分类提升 (Catboost) 模型在抑郁风险评估中表现优异.
- Catboost模型在抑郁症严重程度水平上实现了高预测准确度 (没有:F1=0.879,轻度:F1=0.627,中度/重度:F1=0.588).
- 为临床实施开发了一个用户友好的R Shiny应用程序.
结论:
- Catboost ML模型为CTD患者评估抑郁风险提供了有希望的进展.
- 基于ML的工具可以增强CTD患者的心理健康管理策略.
- 开发的应用程序促进了Catboost模型的临床实用性.
