预测早期青春期内化障碍的出现,使用AI优化的深度学习

科学领域:

• 发展心理学 发展心理学
• 计算精神病学是一种计算精神病学.
• 机器学习在心理健康中的应用

背景情况:

• 内部化障碍 (抑郁症,焦虑症,体征性症状障碍) 在青春期早期很普遍,严重影响日常功能.
• 识别这些疾病的预测因素对于在这个关键的发育时期制定有效的干预和预防策略至关重要.

研究的目的:

• 构建个人级预测模型,用于青春期早期出现抑郁症,焦虑症和体征性症状障碍.
• 通过使用先进的机器学习技术,分析跨认知,心理社会,神经和生物领域的广泛候选预测因素.

主要方法:

• 利用人工神经网络的深度学习,以超参数优化和自动化特征选择的进化算法为指导.
• 分析了9-10岁儿童ABCD队列中的大约6000个候选预测因子,以预测11-12岁儿童的发病.
• 对比了不同预测领域 (心理社会,认知,神经,生物) 的预测能力.

主要成果:

• 在青春期早期实现了对内化障碍发病的可靠预测,曲线下的面积 (AUROC) 值≥0.90,准确率≥80%.
• 确定了每个疾病的特定预测器集,父母的行为特征和睡眠障碍成为交叉主题.
• 证明心理社会预测因素在预测这些疾病方面比认知,神经或生物因素更有影响力.

结论:

• 深度学习模型可以准确地预测青少年早期内化障碍的出现.
• 心理社会因素发挥着重要作用,突出了早期干预和预防计划的潜在目标.
• 需要进一步的研究来验证各种数据集中的发现,并探索对其他发育阶段和心理健康状况的应用.