一个可解释的机器学习模型用于预测中年和老年癌症患者的抑郁症在中国:基于查尔斯队列的研究

科学领域:

• 在瘤学瘤学.
• 老年病的医生 老年病的医生
• 精神病学是一个精神病学.
• 数据科学数据科学数据科学

背景情况:

• 抑郁症显著影响中年和老年癌症患者的生活质量和治疗结果.
• 机器学习 (ML) 提供了开发抑郁风险预测模型的潜力.
• 沙普利添加式解释 (SHAP) 解决了传统ML模型的"黑子"性质,以确定关键的风险因素.

研究的目的:

• 开发和验证基于ML的预测模型,用于识别45岁及以上癌症患者的抑郁风险.
• 通过SHAP分析,识别这些患者群体中导致抑郁症的关键风险因素.

主要方法:

• 利用了来自2011-2020年中国健康与退休长度研究 (CHARLS) 的743名癌症患者 (年龄45岁以上) 的数据.
• 分析了19个变量,包括人口,经济,健康,家庭和个人因素.
• 在通过LASSO回归进行特征选择后,训练了六个ML模型 (SVM,KNN,MLP,决策树,XGBoost,随机森林).

主要成果:

• 随机森林模型表现出最好的预测性能,AUC为0.774 (95%CI:0.740-0.809).
• SHAP分析确定了影响抑郁风险的五个关键特征.
• 较低的生活满意度被认为是增加预测抑郁风险的重要因素.

结论:

• 开发了一种临床可视化模型,以帮助医疗保健提供者估计中年和老年癌症患者的抑郁风险.
• 该模型作为早期识别抑郁症状的工具,促进及时的临床干预.
• 早期干预可以改善临床效益和患者的治疗结果.