机器学习使用临床变量来选早期多发性硬化症患者的抑郁和焦虑
Braxton Phillips1, Sarah A Morrow2, Harasees Singh1
1Cumming School of Medicine, University of Calgary, Calgary, AB, Canada.
Multiple sclerosis and related disorders
|September 20, 2025
概括
机器学习使用临床数据准确预测多发性硬化症 (pwMS) 患者的抑郁症,提供了一种新的查方法. 这种方法可以改善在pwMS中识别心理健康状况,而无需使用冗长的问卷.
科学领域:
- 神经学 神经学
- 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:
- 抑郁症和焦虑症在患有多发性硬化症 (pwMS) 的人群中很常见,影响了他们的护理.
- 目前用于pwMS中精神病并发症的查方法在大规模应用方面存在局限性.
- 机器学习 (ML) 为使用例行收集的临床数据进行查提供了潜在的替代方案.
研究的目的:
- 开发和验证ML模型,用于预测pwMS中临床显著的抑郁和焦虑.
- 确定在pwMS中预测这些心理健康状况的关键临床变量.
主要方法:
- 利用了来自加拿大前性队列研究以了解MS进展 (CanProCo) 的基线临床和人口统计数据.
- 采用弹性网调节后勤回归来构建抑郁症 (使用PHQ-9分数) 和焦虑症 (使用GAD-7分数) 的预测模型.
- 在测试数据集上验证模型,以使用曲线下的面积 (AUC) 评估预测性能.
主要成果:
- 该ML模型在预测抑郁症方面取得了高准确性 (AUC = 0.927) 和焦虑症的中等准确性 (AUC = 0.813).
- 抑郁和焦虑的关键预测因素包括心理社会疲劳增加,认知疲劳以及并发症的数量.
- 多变量模型为这些预测因素确定了特定的赔率比率和p值.
结论:
- 使用临床数据的ML模型可以有效地识别pwMS可能患有抑郁和焦虑.
- 这种ML方法表明,它有望促进在MS护理中查精神病相关疾病.
- 临床变量可能会替代或补充用于查目的的传统评级表.
