绘制战争创伤:一种机器学习方法来预测乌克兰的心理健康影响

科学领域:

• 危机流行病学 危机流行病学
• 地理空间的人工智能 (GeoAI)
• 公共卫生 公共卫生

背景情况:

• 战时环境对心理健康构成复杂的挑战.
• 现有的心理健康评估通常依赖于回顾性数据,限制了主动干预.
• 了解心理痛苦的空间决定因素对于有效的人道主义反应至关重要.

研究的目的:

• 开发和验证一个GeoAI系统,用于在战时预测乌克兰城市的心理健康结果.
• 确定心理痛苦的关键环境和冲突相关空间预测因素.
• 为在冲突地区提供主动,基于地点的心理健康规划提供工具.

主要方法:

• 利用乌克兰城市的环境,基础设施和冲突的空间链接数据.
• 通过调查收集自我报告的心理结果 (PTSD,焦虑,抑郁,失眠,孤独,睡眠时间).
• 开发和比较机器学习模型 (OLS,Lasso,RF,GB,XGBoost) 使用超过30个空间预测器.
• 员工空间独立的培训和测试分区,用于强大的模型验证.

主要成果:

• 极端梯度提升 (XGBoost) 显示了高的预测准确性 (R2>0.74,MAPE <7.2%).
• 心理痛苦的主要驱动因素被确定为长时间暴露在寒冷中,住房绝缘不足,以及暴露在无人机或火炮袭击中.
• 功能重要性分析强调了环境和冲突相关因素对心理健康的重大影响.

结论:

• GeoAI框架有效地预测了高空间分辨率的冲突环境中的心理健康负担.
• 这种方法可以通过针对预测的脆弱性来针对心理健康服务,从而实现主动的人道主义响应.
• GeoAI提供了一种灵活的工具,用于在受战争影响地区实时,基于地点的心理健康规划,推进危机流行病学.