使用机器学习和HAMD-24尺度来预测抑郁患者的自杀念头
Yun Chen1, Zhong-Yi Jiang2, Guan-Zhong Dong1
1Department of Psychology, Nanjing Medical University Affiliated Changzhou Second People's Hospital, Changzhou, Jiangsu, 213000, People's Republic of China.
Psychology research and behavior management
|October 20, 2025
概括
机器学习模型可以预测抑郁症患者的自杀念头. 极端随机树木分类 (ERTC) 模型将绝望和内确定为关键风险因素,使早期干预成为可能.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 计算精神病学是一种计算精神病学.
- 医疗保健中的机器学习
背景情况:
- 自杀念头是患有抑郁症的患者的一个重大问题.
- 早期识别有风险的个体对于有效的干预至关重要.
- 汉密尔顿抑郁量表 (HAMD-24) 是一种广泛使用的衡量抑郁症严重程度的方法.
研究的目的:
- 确定与抑郁症患者自杀念头相关的因素.
- 开发和评估用于预测早期自杀想法风险的机器学习模型.
- 为此预测任务确定最佳的机器学习算法.
主要方法:
- 利用了374名抑郁症患者的数据,这些患者被评估了HAMD-24和贝克自杀意念 (BSI) 问卷.
- 我们比较了四种机器学习模型:支持矢量机 (SVM),天真贝叶斯分类 (NBC),随机森林 (RF) 和极端随机树木分类 (ERTC).
- 评估模型使用准确度,精度,回忆,F1分数,卡帕,马修的相关系数和曲线下的面积 (AUC).
主要成果:
- ERTC模型表现出卓越的性能,准确度为77.75%,AUC为0.80.
- 自杀念头的关键预测因素包括绝望,内,劣等感,失去工作/兴趣,抑郁情绪等.
- 有自杀念头的患者年轻,不太可能服用抗抑郁药.
结论:
- 在预测抑郁症患者自杀念头风险方面,ERTC模型是有效的.
- 通过这种模型的早期检测可以促进及时干预,并可能降低自杀率.
- 这些发现为开发新的抑郁症和自杀评估尺度提供了理论基础.
