基于网络的人工智能预测模型:在评估中风患者抑郁症时,机器学习技术的可解释应用
1University of Shanghai for Science and Technology, No.516, Jungong Road, Yangpu Area, Shanghai, 200093, China.
BMC geriatrics
|March 23, 2025
概括
这项研究开发了一个可解释的机器学习模型,用于预测中风患者的抑郁风险. XGBoost模型实现了高精度,有助于早期识别和临床判断.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 脑卒中康复治疗 脑卒中康复治疗
背景情况:
- 脑卒中后抑郁症是常见的并发症,显著增加残疾和降低生活质量.
- 早期识别抑郁风险对于有效的患者管理和改善结果至关重要.
研究的目的:
- 开发和验证可解释的机器学习模型,用于评估中风患者的抑郁风险.
- 确定导致中风后抑郁症的关键风险因素.
主要方法:
- 利用了来自1143名中风患者的数据 (NHANES, 2005-2020).
- 使用后勤回归来识别风险因素.
- 构建并比较了五个机器学习模型,包括XGBoost.
- 应用SHAP (沙普利添加式解释) 模型可解释性和特征重要性排名.
主要成果:
- XGBoost模型表现出卓越的性能,曲线下的面积 (AUC) 为0.746,精度为0.834.
- 通过SHAP分析确定了影响抑郁风险的关键特征.
- 开发了一个公开可访问的基于Web的计算器,用于实际的风险预测:https://prediction-model-for-depression.streamlit.app.
结论:
- 开发的可解释机器学习模型是临床决策的宝贵辅助工具.
- 在中风幸存者中早期和准确地识别抑郁风险.
