机器学习优化围产期抑郁查:最大影响,最小负担
Eric Hurwitz1, Caroline Shell2, Kritika Chugh3
1Department of Genetics, University of North Carolina at Chapel Hill, Chapel Hill, NC, United States.
medRxiv : the preprint server for health sciences
|November 24, 2025
概括
机器学习只使用两个爱丁堡产后抑郁量表 (EPDS) 问题,就能准确预测产后抑郁症. 这种简短的查工具可以改善对母亲心理健康状况的识别.
科学领域:
- 围产期心理健康问题
- 临床信息学是一种临床信息学.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 围产期抑郁症影响了很大一部分孕妇和产后妇女,在COVID-19后的流行率增加.
- 迅速识别受影响的妇女是临床优先事项.
- 现有的查工具,如爱丁堡产后抑郁量表 (EPDS) 是漫长的,在繁忙的临床环境中提出了挑战.
研究的目的:
- 开发和验证一种机器学习 (ML) 框架,用于使用缩短问题子集预测完整的10项EPDS分数.
- 为了优化查的简短性,同时保持对围产期抑郁症的预测准确性.
主要方法:
- 利用国家临床队列协作 (N3C) 数据 (n=22,924) 训练ML模型,从2-5项组合预测完整的EPDS分数.
- 在多样化的队列中验证模型,包括产后妇女 (n=7,750) 和外部怀孕人口 (n=1,217).
- 使用PHQ-9 (n=398,606) 评估了概括性,并通过决策曲线分析评估了临床效用.
主要成果:
- 最佳的2个问题EPDS子集 (Q4+Q8,Q5+Q8) 实现了高预测精度 (R2=0.70).
- 二元分类模型表现出强的性能 (灵敏度为0.68-0.72,特异性为0.98-0.99).
- ML框架在验证队列中显示出强大的概括性,并在临床实用性方面超过了传统的评分方法.
结论:
- 仅使用两个EPDS问题的机器学习框架可以保持与全10项级别可比的预测准确性.
- 这种简化方法显著降低了患者和临床医生的评估负担.
- 实施这种ML驱动的查可以提高临床实践中围产期抑郁症的识别,每年可能达到数百万女性.
