以初级保健为重点的可解释机器学习模型用于老年病的抑郁症查:对多个算法的比较研究.
Meng Wang1, Mingnian Luo2, Laxiangge Li3
1Department of Computer and Simulation Technology, Faculty of Military Health Service, Naval Medical University, Shanghai, 200433, China.
Journal of affective disorders
|November 24, 2025
概括
一个新的机器学习 (ML) 模型有助于选老年抑郁症,改善初级保健医生的早期检测. 该工具有助于管理因老年人抑郁症的高患病率造成的医疗保健系统压力.
科学领域:
- 老年精神病学是一门精神病学专业.
- 计算医学是一种计算医学.
- 公共卫生 公共卫生
背景情况:
- 老年人中抑郁症的高患病率给医疗保健系统带来了压力.
- 精神病学家的短缺阻碍了及时的专业评估.
- 在初级保健机构需要有效的查工具.
研究的目的:
- 开发和验证用于选老年抑郁症的机器学习 (ML) 模型.
- 帮助初级保健从业者在老年人中早期发现和管理抑郁症.
- 为应对心理健康专家短缺所带来的挑战.
主要方法:
- 使用了国家健康和营养检查调查 (NHANES) 数据 (2011-2018).
- 用于特征选择的使用最小绝对收缩和选择运算符 (LASSO) 回归.
- 应用合成少数人过量采样技术 (SMOTE) 用于类不平衡和七个ML算法用于模型开发.
- 评估模型使用ML指标,临床影响测量和Shapley添加式扩展 (SHAP) 进行解释.
主要成果:
- 包括3802名参与者;24.54%的人患有抑郁症.
- 极端梯度增强 (XGBoost) 模型实现了最高的性能 (精度为0.82,AUC为0.88).
- 确定了关键预测因素:睡眠障碍,性别,贫困收入比率 (PIR),血清白蛋白和细分中性粒细胞计数.
结论:
- 开发的ML模型证明了老年人抑郁查的强大预测性能.
- 该模型显示了临床适用性,支持卫生保健工作者早期识别和管理.
- 这种方法可以帮助减轻老年人群中抑郁症的影响.
