机器学习模型在预测青少年脑震荡后心理健康后果方面的比较

科学领域:

• 神经科学是一个神经科学.
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 年轻人脑震荡与增加的心理健康问题有关.
• 早期发现和干预对于应对这些挑战至关重要.
• 健康的社会决定因素 (SDoH) 不成比例地影响弱势年轻人的脑震荡和心理健康结果.

研究的目的:

• 开发和评估双向长期短期记忆 (BiLSTM) 网络,用于预测青少年脑震荡后的心理健康结果.
• 为了比较BiLSTM模型与传统预测模型的性能.
• 评估将SDoH数据纳入心理健康结果预测准确性的影响.

主要方法:

• 使用双向长期短期记忆 (BiLSTM) 网络.
• 将BiLSTM性能与传统预测模型进行比较.
• 将健康的社会决定因素 (SDoH) 数据纳入模型.
• 使用精度,AUC-ROC和其他性能指标进行评估的模型.

主要成果:

• 结合SDoH数据的BiLSTM模型获得了最高的准确性 (0.883) 和AUC-ROC得分 (0.892).
• 开发的模型在脑震荡后12个月内在每次访问时提供实时预测.
• 与传统模型相比,这种方法显示出更高的预测能力.

结论:

• BiLSTM网络,特别是当与SDoH数据相辅相成,为预测脑震荡后青少年的心理健康挑战提供了一个强大的工具.
• 该模型能够提供实时,特定访问的预测,这有助于及时的临床转诊和干预.
• 这种方法有望改善对年轻脑震荡患者的心理健康支持,特别是那些来自弱势背景的人.