青少年心理健康中的机器学习:高级并发症分析和文本挖掘洞察力

科学领域:

• 青少年心理健康 青少年心理健康
• 机器学习在临床心理学中的应用
• 涉及正义的青年心理学

背景情况:

• 参与司法工作的青少年患有复杂心理健康障碍的比例很高.
• 了解并发症模式对于在这个人群中进行有效干预至关重要.
• 现有的研究往往缺乏对这一群体的详细共患病概况.

研究的目的:

• 应用机器学习来识别司法涉及的青少年的并发病模式.
• 揭示可操作的个人资料,以指导有针对性的心理健康干预.
• 探索常规临床数据的实用性,以了解复杂的青少年表现.

主要方法:

• 利用机器学习技术,包括关联规则挖掘,K-Means聚类和主题建模.
• 分析了124名涉及司法工作的青少年 (11-21岁) 的电子健康记录.
• 采用t-SNE可视化用于集群分析和主题建模用于临床笔记.

主要成果:

• 超运动障碍和家庭压力是突出的,占诊断的45%.
• 随着Z-代码的加入,集群显著改善,揭示了一个超运动-家庭-压力子组.
• 关联规则强调了学习和注意力缺陷障碍的同时发生 (F81 → F90.0).
• 主题建模确定了五个关键干预主题,与数据驱动集群保持一致.

结论:

• 常规的临床数据可以有效地揭示司法涉及的青少年的可操作的并发症概况.
• 机器学习方法增强了对不同患者子组的识别.
• 研究结果支持为复杂的青少年心理健康需求制定量身定制的干预措施.