基于机器学习的分层CES-D查系统的开发:通过自适应的项目选择优化抑郁症评估
Ruo-Fei Xu1, Zhen-Jing Liu1, Shunan Ouyang1
1School of Mental Health, Wenzhou Medical University, Wenzhou, China.
BMC psychiatry
|March 26, 2025
概括
这项研究开发了一种机器学习工具,使用流行病学研究中心抑郁症量表 (CES-D-20) 有效选抑郁症. 新的分层方法保持了准确性,同时降低了大群体的评估负担.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 医疗保健中的机器学习
- 心理测量 心理测量 心理测量
背景情况:
- 大规模的抑郁症查至关重要,但面临效率挑战.
- 流行病学研究中心的抑郁症量表 (CES-D-20) 是广泛使用的,但很长.
- 优化评估负担,同时保持诊断准确度是一个关键目标.
研究的目的:
- 为CES-D-20开发一种基于机器学习的分层选工具.
- 提高大规模心理健康应用的效率.
- 为了保持高的诊断准确度和心理测量特性.
主要方法:
- 利用来自中国心理健康卫队项目和中国劳动力动力调查数据的两阶段机器学习方法.
- 用多个线性回归来消除对象识别,其次是用于分类的逻辑回归.
- 使用ROC分析,Brier分数,决策曲线分析,随机森林和支持向量机算法验证模型性能.
主要成果:
- 一个由四项快速查层实现了高精度 (AUC=0.982) 的可能抑郁症.
- 一个扩展的九项版本准确地预测了完整的CES-D-20分数 (R2=0.957).
- 这种分层系统在各个年龄组和时间之间表现出强大的概括性,具有最佳的临床效用.
结论:
- 开发了一个基于机器学习的CES-D-20的分层选版本.
- 为大规模查提供一种高效,可靠和心理测量合理的替代方案.
- 促进心理健康计划中高效的风险分层和有针对性的评估分配.
