在中国青少年中,基于机器学习的抑郁症状预测建模

科学领域:

• 青少年心理健康研究研究
• 公共卫生和流行病学.
• 机器学习在医疗保健中的应用

背景情况:

• 青少年抑郁症症状构成了重大的公共卫生挑战.
• 识别可靠的预测因子用于早期检测对于及时干预至关重要.
• 社会经济地位和生活方式指标是影响青少年心理健康的潜在因素.

研究的目的:

• 开发和验证青少年抑郁症状的预测模型,使用生活方式指标和社会经济地位.
• 识别和排名最有影响力的青少年抑郁症状预测因素.
• 解释关键预测因素与抑郁症状风险之间的关系.

主要方法:

• 这是一项大规模的横截面研究,涉及32,389名学校学生 (4-12年级).
• 使用流行病学研究中心抑郁症量表 (CES-D分数≥16) 识别的抑郁症状.
• 博鲁塔-RF算法用于特征选择和变量重要性排名,其次是随机森林模型构建和部分依赖图 (PDP) 用于结果解释.

主要成果:

• 博鲁塔-RF算法确定了自我评价的健康状况,睡眠时间,父母对体育炼的支持,早餐摄入量,屏幕时间和跳过体育课作为顶级预测因素.
• 随机森林模型实现了高预测准确度,曲线下的面积 (AUC) 为0.829 (95% CI:0.820 - 0.837).
• 部分依赖情节揭示了预测因素和抑郁症状风险之间的非线性关系,提供了细微的见解.

结论:

• 使用例行收集的学校生活方式数据的预测模型可以有效地选患有抑郁症状高风险的青少年.
• 通过这种可访问的查工具,可以促进早期检测和心理健康评估.
• 未来的研究可以通过结合纵向设计,临床诊断和神经成像生物标志物来提高准确性.