在中年和老年患有心血管代谢疾病的成年人中,机器学习模型的抑郁症
Haopeng Ke1, Anning Xu2, Haofeng Zhou3
1Department of Endocrinology, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, China; Guangdong Cardiovascular Institute, Guangdong Provincial People's Hospital, Guangdong Academy of Medical Sciences, Guangzhou 510000, China.
Journal of affective disorders
|May 29, 2025
概括
机器学习准确地预测心血管代谢疾病 (CMD) 患者的抑郁症. 一个渐变增强机 (GBM) 模型,集成到临床支持系统中,有助于早期识别高风险个体.
科学领域:
- 计算医学是一种计算医学.
- 机器学习在医疗保健中的应用
- 心血管代谢疾病 (CMD) 研究研究
背景情况:
- 心血管代谢性疾病 (CMD) 的发病率在全球范围内正在上升.
- 抑郁症显著恶化了CMD患者的预后.
- 在CMD患者中早期发现抑郁症对于改善结果至关重要.
研究的目的:
- 开发和验证机器学习预测模型,用于CMD患者的抑郁症.
- 为了确定这一群体中抑郁症的关键预测因素.
- 创建一个用于临床的实用工具.
主要方法:
- 使用大规模数据集 (SHARE和CHARLS) 进行模型推导和验证.
- 比较了多个机器学习算法,包括后勤回归,SVM,随机森林和梯度增强机 (GBM).
- 使用AUC,Brier分数,校准图表和决策曲线分析 (DCA) 评估模型性能.
- 为了模型的可解释性,采用了SHAP (Shapley添加式解释).
主要成果:
- 梯度增强机 (GBM) 模型在外部验证中获得了最高的性能 (AUC 0.823).
- 睡眠困难,生活满意度和孤独感被确定为最重要的抑郁症预测因素.
- 通过DCA,GBM模型显示出卓越的临床实用性.
- 基于经过验证的GBM模型,开发了一个临床支持系统.
结论:
- 开发的基于GBM的临床支持系统有效地帮助临床医生在CMD患者中早期识别抑郁风险.
- 这种工具有助于及时干预,可能改善患者的预后.
- 机器学习为管理CMD抑郁症提供了一个有希望的方法.
