开发和外部验证一种可解释的机器学习模型,用于预测中国妇女在怀孕中期和晚期的产前抑郁症
Shi-Yun Wang1, Jia Qiao1, Rong Wang2
1School of Nursing, Wuhan University, Wuhan 430071, China.
International journal of medical informatics
|June 16, 2025
概括
这项研究开发了一种机器学习模型,用于预测中国妇女的产前抑郁症 (AND). 轻GBM模型准确地识别了有风险的妇女,使得早期干预能够改善母亲的心理健康.
科学领域:
- 生殖健康 生殖健康
- 心理健康 心理健康
- 医疗保健中的机器学习
背景情况:
- 产前抑郁症 (AND) 显著影响母亲和婴儿的福祉.
- 早期识别和干预对于管理AND至关重要.
- 开发准确的 AND 预测模型对于产前护理至关重要.
研究的目的:
- 开发和验证基于机器学习 (ML) 的预测模型,用于中国妇女产前抑郁症 (AND).
- 创建一个准确和可解释的模型,用于早期识别AND的风险.
- 加强产前护理中的早期查和干预策略.
主要方法:
- 五个ML模型的比较,包括轻梯度增强机 (LightGBM) 和极端梯度增强 (XGBoost).
- 使用精度,灵敏度,特异性,AUC和决策曲线分析 (DCA) 的评估.
- 在来自中国武汉的数据集上利用了SHapley添加式扩展 (SHAP) 来实现模型解释性和特征识别.
主要成果:
- 轻GBM模型表现出卓越的预测准确性和通用性.
- 发现的关键预测因素包括教育程度,应对策略,社会支持和人格特质.
- 该模型在培训和外部验证数据集上显示出强大的性能.
结论:
- 成功开发了一种可靠和可解释的基于ML的模型,用于早期的AND识别.
- 轻GBM显示了将其整合到产前护理中,以加强查和及时干预的承诺.
- 该研究强调了ML通过积极的产前护理来改善母亲心理健康结果的潜力.
