机器学习模型在预测青少年脑震荡后心理健康后果方面的比较

科学领域:

• 神经科学与公共卫生
• 计算精神病学是一种计算精神病学.

背景情况:

• 年轻人脑震荡增加了心理健康挑战的风险.
• 早期检测对于有效干预和改善结果至关重要.

研究的目的:

• 开发和评估双向长期短期记忆 (BiLSTM) 网络,用于预测青少年脑震荡后的心理健康结果.
• 评估整合健康的社会决定因素 (SDoH) 对预测模型性能的影响.
• 为了比较BiLSTM模型与传统预测模型的有效性.

主要方法:

• 使用双向长短期内存 (BiLSTM) 网络进行预测建模.
• 将健康的社会决定因素 (SDoH) 数据纳入BiLSTM模型.
• 使用准确度,接收器操作特性 (ROC) 曲线下的面积 (AUC) 和其他指标评估模型性能.

主要成果:

• 结合SDoH数据的BiLSTM模型获得了最高的准确性 (0.883) 和AUC-ROC (0.892).
• 与传统方法相比,先进的模型显示出更高的预测能力.
• 实时,特定访问的预测是在脑震荡后12个月内生成的.

结论:

• BiLSTM网络,特别是当与SDoH数据相辅相成,为预测脑震荡后青少年心理健康风险提供了一个强大的工具.
• 这种方法促进了及时的临床决策和有针对性的干预措施.
• 这些发现强调了在与脑震荡相关的心理健康评估中考虑SDoH的重要性.