基于机器学习算法的初级Sjögren病患者抑郁症状的准确预测模型

科学领域:

• 类风湿病学 类风湿病学
• 精神病学是一个精神病学.
• 医疗信息学 医疗信息学

背景情况:

• 主要Sjögren病 (pSjD) 是一种自身免疫性疾病,与较高的抑郁症状风险有关.
• 在pSjD患者中早期识别抑郁症状对于及时干预和改善生活质量至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测psjD患者的抑郁症状.
• 确定与PSJD抑郁风险相关的关键临床和免疫因素.

主要方法:

• 对147名pSjD患者进行了回顾性研究.
• 开发和验证八个ML算法,包括支持矢量机 (SVM),使用常规可用的预测器.
• 使用AUROC,AUPRC,准确性,精度,回忆,布里尔分数和校准的性能评估;用于模型可解释性的SHAP.

主要成果:

• 一个SVM模型在预测抑郁症状方面表现出很高的性能 (AUROC=0.929).
• 发现的关键预测因素包括疲劳频率,睡眠时间,淋巴细胞数量和抗Ro52抗体状态.
• 该模型强调了免疫炎症因素在psjD患者抑郁症发病过程中的作用.

结论:

• 开发的SVM模型是一个强大的,非侵入性的工具,用于早期识别患有抑郁症高风险的psjD患者.
• 这个预测模型可以促进及时和个性化干预.
• 由于该研究的单中心,追溯性质,建议进一步进行多中心验证.