产后创伤后应激障碍的基于机器学习的预测模型:一项前性队列研究

科学领域:

• 围产期心理健康研究
• 计算精神病学是一种计算精神病学.
• 临床信息学是一种临床信息学.

背景情况:

• 产后创伤后应激障碍 (PTSD) 对母亲和婴儿来说是一个重大的公共卫生挑战.
• 早期识别患产后创伤后应激障碍高风险的妇女对于减轻不良结果至关重要.
• 这项研究的重点是开发和验证用于早期产后PTSD风险预测的机器学习 (ML) 模型.

研究的目的:

• 开发和验证基于机器学习 (ML) 的模型,用于预测产后创伤后应激障碍 (PTSD) 的风险.
• 能够及早识别高风险妇女,以便及时和有针对性的干预.
• 通过应用预测分析来改善孕产妇心理健康护理.

主要方法:

• 一项前性队列研究,涉及900名女性进行模型开发和300名女性进行验证.
• 收集的数据包括社会人口统计学,临床,不良童年经历和生化因素在产后3天.
• 评估了五种ML模型,使用歧视,校准和ROC曲线下的面积 (AUC) 来评估性能.

主要成果:

• 后勤回归 (LR) 模型表现出最高的预测性能,AUC为0.850 (95% CI:0.776-0.923).
• 该LR模型实现了0.069的布赖尔分数,0.844的灵敏度和0.724.4的特异性.
• 一个基于网络的风险计算器,利用8个关键预测因素,被开发用于临床应用.

结论:

• 机器学习模型在预测产后创伤后应激障碍风险方面是有效的.
• 开发的基于网络的风险计算器有助于早期识别有风险的母亲.
• 建议在不同的队列中进一步验证,以提高ML工具在孕产妇心理健康中的通用性.