预测患有抑郁和焦虑障碍的人和没有抑郁和焦虑障碍的人的发生心脏代谢疾病:一种机器学习方法

科学领域:

• 心脏病学 心脏病学
• 精神病学是一个精神病学.
• 数据科学数据科学数据科学

背景情况:

• 心脏代谢性疾病 (CMD) 是一个日益严重的全球健康问题.
• 抑郁症和焦虑症等心理健康状况与心血管疾病风险增加有关.
• 预测CMD发病对于早期干预和预防策略至关重要.

研究的目的:

• 评估机器学习 (ML) 模型对CMD发病的预测性能.
• 为了确定详细的精神和生物变量是否提高CMD预测的准确性.
• 在纵向队列中确定CMD发展的关键预测因素.

主要方法:

• 对一个纵向队列研究 (N=2071) 的分析,其中包括368个人口统计学,生活方式,体质,精神病学和生物学领域的预测因素.
• 在9年的随访期间,根据自我报告和药物使用定义的CMD发病.
• ML方法的比较,包括物流回归,支向量机,随机森林和XGBoost.

主要成果:

• 逻辑回归被选为最简单的有效分类器.
• 单个域实现了从0.569到0.649.6的AUC-ROC.
• 将人口统计学,生活方式,体质和精神病学变量结合在一起产生了最佳表现 (AUC-ROC=0.669),但并没有显著超过单独的人口统计学. 年龄和高血压是最强的预测因素;详细的精神病学数据提供了最小的额外预测价值.

结论:

• 机器学习模型在预测该队列9年后的CMD发病的准确性有限.
• 包括详细的精神病学和生物数据并没有显著改善预测性能.
• 目前的模型可能需要进一步细化或不同的预测器集来准确预测CMD发病.