可解释机器学习模型用于预测产后抑郁症:回顾性研究
Ren Zhang1,2, Yi Liu3, Zhiwei Zhang2
1Department of Gynecology and Obstetrics, West China Second University Hospital, Sichuan University, Key Laboratory of Birth Defects and Related Diseases of Women and Children (Sichuan University), Ministry of Education, Chengdu, China.
JMIR medical informatics
|January 26, 2025
概括
机器学习可以使用产前抑郁症和甲状腺水平等因素准确预测产后抑郁症 (PPD). 这有助于对患PPD高风险的母亲进行早期查.
科学领域:
- 生殖医学 生殖医学
- 精神病学是一个精神病学.
- 计算生物学 计算生物学
背景情况:
- 产后抑郁症 (PPD) 显著影响到母亲和家庭的福祉.
- 准确和早期预测PPD仍然是一个临床挑战.
研究的目的:
- 开发和验证用于精确PPD预测的机器学习模型.
- 确定关键预测因素及其对PPD的临床影响.
主要方法:
- 收集了来自2055名孕妇的数据.
- 使用最少绝对收缩和选择操作员 (LASSO) 回归用于可变选.
- 使用培训和验证队伍开发和验证机器学习模型.
主要成果:
- 极端梯度增强模型实现了0.849.9的AUC.
- 发现的关键预测因素包括产前抑郁,胎儿体重降低,TSH升高,TPOAb降低,费里丁升高和母亲年龄较大.
- 沙普利添加式解释 (SHAP) 用于模型解释.
结论:
- 为PPD预测开发了一个经过验证的机器学习模型.
- 鉴定的生理和心理因素为早期PPD风险查提供了洞察力.
- 强调需要采用全面的PPD查方法.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.4K
06:39Using a Murine Model of Psychosocial Stress in Pregnancy as a Translationally Relevant Paradigm for Psychiatric Disorders in Mothers and Infants
Published on: June 13, 2021
3.0K
