使用机器学习方法预测抑郁症:来自NHANESES的发现

科学领域:

• 计算精神病学和数据科学在心理健康中的应用.
• 利用先进的机器学习用于临床预测模型.

背景情况:

• 大型抑郁症 (MDD) 给社会和个人带来了重大负担.
• 传统的抑郁症分析方法缺乏客观性,并与复杂的风险因素相互作用作斗争.
• 机器学习 (ML) 为准确的抑郁症预测提供了一个强大的,数据驱动的替代方案.

研究的目的:

• 开发和比较监督的ML模型来预测抑郁症.
• 使用SHAP分析识别导致抑郁症的关键风险因素.
• 提高抑郁症预测模型的准确性和可解释性.

主要方法:

• 雇佣国家健康和营养检查调查 (NHANES) 2013-2014年数据集.
• 训练了六个ML模型:物流回归,随机森林,天真贝耶斯,SVM,XGBoost和LightGBM.
• 评估模型使用准确度,灵敏度,特异性,精度,AUC,F1得分和SHAP值来确定特征的重要性.

主要成果:

• 在所有评估指标上,XGBoost表现出卓越的表现.
• 发现的关键预测因素包括收入与贫困的比例,性别,高血压,丁氨酸/氧氨酸水平,BMI,教育,葡萄糖,年龄,婚姻状况和eGFR.
• SHAP分析提供了可解释性为特色贡献.

结论:

• 开发了有效的ML模型来预测抑郁症,并通过SHAP增强了可解释性.
• 确定了一系列与抑郁症相关的社会经济,人口和健康因素.
• 这种基于ML的方法为了解和潜在地减轻抑郁风险提供了一个有希望的工具.