构建一个机器学习模型,从第三级护理环境中的电子健康记录中预测产后抑郁症
Zhitu Ma1, Michael Horvath1, David Michael Stamilio2
1Clinical and Translational Science Institute, Wake Forest University School of Medicine, Winston-Salem, NC 27101, USA.
Journal of clinical medicine
|September 27, 2025
概括
机器学习模型可以使用电子健康记录预测产后抑郁症,准确度中等 (AUC 0.733). 个人层面的数据至关重要,但模型性能在各个人口群体之间略有差异.
科学领域:
- 医疗信息学 医疗信息学
- 心理健康研究 心理健康研究
- 医疗保健中的机器学习
背景情况:
- 产后抑郁症 (PPD) 影响妇女在分娩后长达一年.
- 机器学习 (ML) 越来越多地用于PPD预测.
- 电子健康记录 (EHR) 数据,特别是在三级医疗保健中,由于碎片化,在PPD预测中未得到充分利用.
研究的目的:
- 开发和评估一种ML模型,用于使用EHR数据预测PPD.
- 评估社会经济和国家调查数据对PPD预测的影响.
- 在EHR中确定PPD的最佳数字表型化策略.
主要方法:
- 分析了来自Atrium Health Wake Forest Baptist的12,284名女性的EHR数据.
- 通过使用抑郁查工具 (EPDS,PHQ-9) 和诊断代码来定义PPD.
- 训练了一种随机的森林分类模型来预测PPD.
主要成果:
- 该ML模型实现了0.733±0.008.8的AUC.
- 添加人口普查或国家调查数据并没有改善预测性能.
- 对于西班牙裔患者来说,模型性能略低,在较大的数据集中这一趋势显著.
结论:
- 开发的模型显示了中度的PPD预测能力,需要进一步验证.
- 个人级别的EHR数据是关键;外部数据源提供了有限的改进.
- 数据质量和完整性对于预测模型的临床实施至关重要.
