心理健康处于危险之中:通过机器学习模型预测澳大利亚年轻人的心理痛苦
Benojir Ahammed1, Khorshed Alam2, Zahirul Hoque3
1School of Business, University of Southern Queensland, Toowoomba, QLD, 4350, Australia; Centre for Health Research, University of Southern Queensland, Toowoomba, QLD, 4350, Australia; Statistics Discipline, Science, Engineering and Technology School, Khulna University, Khulna, 9208, Bangladesh.
Journal of affective disorders
|November 17, 2025
概括
机器学习通过识别孤独和欺凌等关键风险因素,准确地预测澳大利亚年轻人的心理痛苦. 这使得早期干预和改善年轻人的心理健康支持成为可能.
科学领域:
- 公共卫生 公共卫生
- 计算精神病学是一种计算精神病学.
- 青少年心理健康 青少年心理健康
背景情况:
- 青少年的心理困扰是全球重要的健康问题.
- 早期预测对于有效的干预策略至关重要.
- 这项研究的重点是利用机器学习预测年轻澳大利亚人的心理痛苦风险.
研究的目的:
- 应用机器学习 (ML) 技术来预测澳大利亚年轻人的心理痛苦风险.
- 确定与心理痛苦相关的关键社会和情绪风险因素.
- 在这个预测任务中评估不同ML算法的有效性.
主要方法:
- 利用了来自澳大利亚儿童长度研究 (LSAC) 波段9C1和9C2.2的数据.
- 根据分类准确性,从一组最初的31个特征中选择了相关的预测因素.
- 开发并评估了五个ML算法 (决策树,天真贝叶斯,随机森林,SVM,XGBoost) 使用十倍交叉验证.
主要成果:
- 随机森林 (RF) 模型在两个波段中都显示出卓越的预测性能.
- 射频实现了高精度 (例如,0.8168),F1分数 (例如,0.8276) 和AUC值 (例如,0.8919).
- 确定的主要预测因素包括孤独,欺凌受害者,社交媒体成,社会支持,压力较大的生活事件和应对水平.
结论:
- 机器学习提供了一种创新的方法来发现青年心理困扰的关键风险因素.
- 这些发现支持了ML在提高早期预测,指导公共卫生行动和为临床决策提供信息方面的作用.
- 将ML纳入学校,社区和数字健康计划具有早期发现和个性化心理健康支持的潜力.
