在中国抑郁青少年中预测普遍焦虑症:一种可解释的机器学习方法

科学领域:

• 青少年精神病学 青少年精神病学
• 计算心理学的计算心理学.
• 机器学习在医疗保健中的应用

背景情况:

• 青少年的并发性抑郁症和焦虑症比单独的抑郁症具有更高的风险.
• 准确预测抑郁青少年的焦虑障碍对于有效的干预至关重要.
• 识别预测因素有助于开发有针对性的治疗工具.

研究的目的:

• 确定抑郁青少年焦虑障碍的关键风险和保护因素.
• 使用机器学习开发和验证一种用于共患性焦虑的预测模型.
• 探索已识别的因素之间的相互作用,并在青少年中分层风险.

主要方法:

• 从中国青少年抑郁症队列 (CADC) 招募了2316名抑郁青少年.
• 使用光梯度增强机 (LightGBM) 和沙普利增量解释 (SHAP) 进行预测和解释.
• 利用千平方自动相互作用检测 (CHAID) 和顺序逻辑回归来进行相互作用分析和验证.

主要成果:

• 确定了九个关键的风险因素:抑郁症的严重程度,反,感知到的压力,睡眠质量,亚历克西西米亚,同行受害,学术压力,以情感为中心的应对以及父母过度保护.
• 弹性成为抗焦虑的重要保护因素.
• CHAID分析划分了高风险子组 (例如,严重抑郁,高反) 和低风险子组 (例如,低抑郁,高性).

结论:

• 可解释的机器学习有效地识别了抑郁青少年焦虑的风险和保护因素.
• 抑郁症的严重程度是伴随性焦虑的最重要的预测因素.
• 研究结果通过突出关键因素和相互作用来预防并发性焦虑,为临床实践提供信息.