基于机器学习的焦虑障碍的预测,使用来自英国生物银行的血液代谢物和社会特征数据

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 生物标志物和诊断方法
• 计算生物学 计算生物学

背景情况:

• 焦虑症是常见的心理健康状况,对其病理生理学的理解有限.
• 目前对焦虑障碍的诊断和治疗选择是不够的,这突显了对新方法的需求.
• 基于血液的生物标志物为早期风险预测和理解焦虑的生物学基础提供了潜力.

研究的目的:

• 用心理社会变量和血液/尿液生物标志物的组合来预测焦虑障碍的出现.
• 为了研究机器学习模型对焦虑诊断的预测准确性.
• 探索血液生物化学,全身炎症,贫血和焦虑之间的关系.

主要方法:

• 利用英国生物库数据,包括心理社会因素,血液和尿液生物标志物.
• 采用机器学习算法来预测国际疾病分类第10版 (ICD-10) 编码的焦虑诊断.
• 结合因素与单独血液生物标志物的预测性能的比较,在匹配的队列中.

主要成果:

• 机器学习准确地预测了样本采集后长达5年的焦虑诊断 (ROC AUC: ~0.83).
• 与对照人群相比,焦虑的个体患贫血和全身炎症标志物的比率更高.
• 当控制心理社会因素时,仅仅血液生物标志物具有有限的预测能力 (ROC AUC: ~0.50).

结论:

• 生物和心理社会风险因素的整合有效地选和预测焦虑障碍的出现.
• 这种综合方法增强了对焦虑病理生理学的理解,并为预防策略提供了信息.
• 未来的研究应该专注于多式联络风险因素的整合,以改善焦虑障碍的管理.