使用机器学习结合童年和青春期特征来识别青少年的抑郁症状

科学领域:

• 精神病学是一个精神病学.
• 计算神经科学是一种神经科学.
• 发展心理学 发展心理学

背景情况:

• 青少年抑郁症显著影响日常生活和未来的发展.
• 现有的预测模型往往单独分析童年和青春期的因素.
• 为了准确的预测,需要采用包括两个发育阶段在内的综合方法.

研究的目的:

• 开发和评估用于预测青少年抑郁症状的机器学习 (ML) 模型.
• 从童年和青春期确定关键的预测特征.
• 为了比较综合儿童-青少年模型与人口和组合模型的性能.

主要方法:

• 收集了39个跨越童年和青春期的特色.
• 使用最大相关性-最小冗余方法和四个ML算法来选择最佳特征.
• 构建了儿童-青少年,人口和综合模型进行预测.
• 使用测试集评估模型性能,并使用SHapley添加式扩展 (SHAP) 进行解释性.

主要成果:

• 与人口模型 (AUC:0.530) 相比,儿童-青少年模型表现出更好的表现 (AUC:0.835-0.879).
• 最佳特征子集包括童年因素 (同龄人关系质量,父母缺席) 和青少年因素 (社会信任,学术压力,互联网娱乐的重要性,积极的育儿).
• 这些综合特征在预测抑郁症状方面比人口统计学特征更有效.

结论:

• 整合童年和青春期因素的机器学习模型显示了预测青少年抑郁症的巨大潜力.
• 特定的童年和青少年因素与抑郁症状有很强的相关性.
• 这些发现为未来针对青少年心理健康的干预研究提供了基础.