机器学习预测社会焦虑障碍中的焦虑症状:利用虚拟现实会议的多式联络数据

科学领域:

• 数字精神病学数字精神病学
• 计算精神病学是一种计算精神病学.
• 心理健康技术 心理健康技术

背景情况:

• 机器学习 (ML) 在数字精神病学中对预测心理状态至关重要.
• 虚拟现实 (VR) 疗法为社会焦虑障碍 (SAD) 治疗提供了一个受控的环境.
• 来自VR会议的多式联络数据可以为患者的焦虑水平提供丰富的见解.

研究的目的:

• 开发和评估用于预测SAD患者高焦虑症状水平的ML算法.
• 用VR治疗的多式 (生理和声学) 数据来评估ML模型的预测性能.
• 为了比较综合多式联络数据与个人数据类型的有效性,用于焦虑预测.

主要方法:

• 利用了25名接受VR治疗的SAD患者的多式数据 (生理和声学).
• 使用扩展的日内瓦极简主义声学参数集提取的声学特征.
• 应用了ML模型,包括随机森林,XGBoost,LightGBM和CatBoost,具有参数优化和交叉验证.

主要成果:

• CatBoost模型在使用多式联络功能时,在社会恐惧症量表上获得了0.852的AUROC.
• 轻GBM在预测泛性焦虑方面表现强 (AUROC 0.819为国家特征焦虑库存特征).
• 多模式模型显著优于仅使用生理学 (例如,AUROC 0.626) 或声学 (例如,AUROC 0.788) 数据的模型.

结论:

• 在ML算法中集成的多式联络数据增强了在VR治疗期间SAD患者焦虑症状的预测.
• 使用联合生理和声学数据的ML模型与单模方法相比,显示出更高的预测能力.
• 这些发现支持多式联络数据在数字精神病学中对个性化VR干预的临床实用性.