机器学习算法的开发和验证,以利用电子健康记录数据预测抑郁症的发生:一个预后建模研究

科学领域:

• 计算精神病学是一种计算精神病学.
• 医疗信息学 医疗信息学
• 在医疗保健中的预测分析.

背景情况:

• 早期发现抑郁症对于有效干预和降低医疗保健成本至关重要.
• 有限的研究已经利用纵向电子健康记录 (EHR) 和机器学习 (ML) 来预测抑郁症发作.
• 这项研究旨在开发和验证ML算法,以识别在初级保健中患有重大抑郁症 (MDD) 高风险的患者.

研究的目的:

• 开发和验证使用EHR数据的ML算法,以预测基于诊断的MDD的出现.
• 在初级保健机构中识别患有抑郁症高风险的患者.
• 评估ML模型在预测抑郁症发病时的性能和偏差.

主要方法:

• 使用2015-2021年EHR数据,采用了回顾性队列研究设计.
• 在第一次遭遇之前的六个月间隔测量了267个特征.
• 包括LASSO,随机森林和XGBoost在内的算法被开发并使用10倍交叉验证和保留测试进行验证.

主要成果:

• 该研究包括1,965,399名个人,MDD发病率为1%.
• 与其他模型相比,XGBoost表现出强大的预测性能 (C-统计 = 0.763),预测因素较少.
• 前三个风险分值约占MDD病例的70%,没有显著的种族或性别偏见.

结论:

• 利用EHR数据的ML算法可以在六个月内有效地预测患有抑郁症发病风险高的个体.
• 这种预测能力为实施有针对性的早期干预提供了有价值的工具.
• 开发的模型在不引入或加剧种族或性别偏见的情况下证明了有效性.