心理健康素养预测中国老年人的抑郁症:一个可解释的机器学习模型

科学领域:

• 老年学是一门学科.
• 计算精神病学是一种计算精神病学.
• 医疗保健中的机器学习

背景情况:

• 抑郁症在老年人中是一个重大问题,影响生活质量和医疗保健成本.
• 准确预测抑郁风险对于及时干预和老年人群有效管理至关重要.
• 需要可解释的模型来理解导致老年人抑郁症的因素的复杂相互作用.

研究的目的:

• 开发一种可解释的机器学习模型,用于预测老年人抑郁风险.
• 在这个人口群体中确定与抑郁症相关的关键风险和保护因素.
• 将XGBoost模型的性能与其他机器学习技术进行比较.

主要方法:

• 开发了一个XGBoost模型来预测老年人的抑郁风险.
• 使用曲线下的面积 (AUC) 度量与其他三种机器学习模型对比 XGBoost 模型的预测性能.
• 利用夏普利添加式扩展 (SHAP) 方法进行模型解释性和预测重要性的识别.

主要成果:

• XGBoost 模型表现出优异的预测效率,AUC 为 .806,优于其他模型.
• 决策曲线分析表明,XGBoost模型在较低的概率值进行干预时具有更高的净收益.
• 根据SHAP的分析",老年人作为负担"是主要的风险因素,性是关键的保护因素,心理健康素养是最关键的整体因素.

结论:

• 开发的可解释的XGBoost模型为老年人提供精确的抑郁风险估计,使得有针对性的预防和治疗成为可能.
• 该模型的透明性质提高了医疗保健专业人员对其对心理健康的预测的理解和信任.
• 这种方法促进了更好的临床决策和针对老年抑郁症的个性化护理策略.