使用数字表型来识别在创伤后应激障碍中患有alexithymia的个体:横截面研究

科学领域:

• 精神病学和心理学 精神病学和心理学
• 计算语言学 计算语言学
• 机器学习 机器学习

背景情况:

• 亚历克西西米亚,难以识别/描述情绪,影响精神疾病,如创伤后应激障碍.
• 精确测量alexithymia对于治疗结果至关重要.
• 自我报告尺度对评估alexithymia有局限性,原因是自我意识缺陷.

研究的目的:

• 为了确定录音中的面部,声音和语言表型是否可以在患有PTSD的退伍军人中识别alexithymia.
• 探索客观的,基于表型的方法来评估alexithymia.

主要方法:

• 利用专门的软件从96名患有PTSD的退伍军人的1分钟录音中提取面部,声音和语言特征.
• 使用极端梯度增强 (XGBoost) 机器学习模型.
• 实施了5倍的嵌套交叉验证管道,用于模型培训和测试.

主要成果:

• 在XGBoost模型实现了高精度的alexithymia分类 (平均F1分数=0.78,AUC=0.87).
• 面部,声音和语言特征都对模型的预测准确性作出了重大贡献.
• 证明了机器学习在识别alexithymia表型方面的有效性.

结论:

• 机器学习模型中的面部,声音和语言表现型显示出在PTSD患者中识别alexithymia的前景.
• 这种方法可以导致更为定制和有效的治疗资源分配.
• 建议在临床环境中使用alexithymia的潜在客观生物标志物.