预测女性产后抑郁症:多种机器学习模型的开发和验证

科学领域:

• 围产期心理健康问题
• 机器学习在医疗保健中的应用
• 公共卫生干预措施 公共卫生干预措施

背景情况:

• 产后抑郁症 (PPD) 是一个重大的公共卫生挑战.
• 早期检测和风险预测对于有效干预至关重要.
• 生物心理社会因素在PPD发展中起着关键作用.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测围产期妇女的PPD风险.
• 为了确定PPD的关键生物心理社会预测因素.
• 为早期发现PPD创建风险评估工具.

主要方法:

• 收集了来自1138名孕期妇女的数据 (2021年8月至2022年8月).
• 利用人口,心理,生理因素和精神疾病史作为预测因素.
• 采用了七种特征选择方法和六种ML算法,包括后勤回归 (LR) 和人工神经网络 (ANN).
• 在产后6周使用爱丁堡产后抑郁症尺度评估PPD.

主要成果:

• 确定了11个潜在的PPD预测因素.
• 开发了产前和产后预测模型.
• LR和ANN模型显示出优异的预测性能 (LR的AUC:0.801-0.858,ANN的0.787-0.844).
• 产后预测因素显著提高了产后模型的预测准确度.
• 风险分层分数,名图和沙普利增量解释被用于可视化和解释.

结论:

• 后勤回归和人工神经网络模型实现了PPD的最高预测准确度.
• 开发的模型和风险评估工具为早期PPD预测和查提供了有价值的应用.
• 这些工具对改善与母亲心理健康相关的公共卫生结果具有重大影响.