开发和验证一种机器学习模型,用于预测美国身体不活跃的成年人当前抑郁症的风险

科学领域:

• 公共卫生 公共卫生
• 计算医学是一种计算医学.
• 流行病学 流行病学

背景情况:

• 抑郁症是一个重要的全球健康问题.
• 身体不活动是抑郁症的一个关键可修改的风险因素.
• 对于预测身体不活跃的成年人抑郁风险的工具有限.

研究的目的:

• 开发和验证用于识别抑郁风险的机器学习模型.
• 确定身体不活跃的成年人中抑郁症的关键预测因素.
• 创建一个临床上适用的风险估计工具.

主要方法:

• 分析了6801名身体不活跃的成年人的数据 (NHANES 2005-2020).
• 使用PHQ-9得分的抑郁症定义> 9.
• 开发和比较六种机器学习模型 (逻辑回归,随机森林,XGBoost,SVM,naive Bayes,KNN).
• 使用LASSO和多变量逻辑回归识别关键预测因素.

主要成果:

• 确定了七个关键预测因素:睡眠障碍,贫困收入比例,腰围,中性粒细胞与淋巴细胞的比例,性别,全身免疫炎症指数和年龄.
• 后勤回归模型显示出最好的表现 (AUC = 0.769).
• 在三个队列中进行的外部验证证实了模型的稳定性 (AUC = 0.736-0.794).
• 为了风险估计,开发了一种临床适用的名图.

结论:

• 开发的机器学习模型有效地识别了身体不活跃的成年人的抑郁风险.
• 该模型促进了早期检测,并支持有针对性的预防和干预策略.
• 该工具解决了这一群体中管理抑郁风险的关键差距.