基于机器学习的抑郁症进展预测使用EHR数据的开发和验证:一个多机构的回顾性队列研究

科学领域:

• 临床信息学是一种临床信息学.
• 机器学习在医疗保健中的应用
• 抑郁症研究研究

背景情况:

• 抑郁症是全球主要的健康问题,及时识别恶化的病例是一个重大挑战.
• 电子健康记录 (EHR) 为现实世界疾病轨迹分析提供了有价值的数据.
• 在EHR中缺乏标准化的症状尺度,因此需要采用其他方法,例如ICD10基于代码的进展来进行预测建模.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,用于预测抑郁症严重程度的进展.
• 在EHR数据中使用国际疾病分类第10版 (ICD10) 代码来预测轻度至中度/重度抑郁症.
• 从MedStar健康研究所 (MHRI) EHR数据库中获取数据,用于模型开发和验证.

主要方法:

• 在2017-2023年期间,对被诊断患有轻度抑郁症 (ICD10) 的成年患者进行了回顾性队列分析.
• 包括一个异质的特征集,包括人口统计,社会经济因素和医疗保健利用.
• 使用结构化模型选择框架开发和比较后勤回归,随机森林,XGBoost,CatBoost和深度神经网络 (DNN) 模型.

主要成果:

• 分析队列包括803名患者,随访时间为两年;DNN因未达到AUC值而被排除在外.
• XGBoost获得了最高的综合评分 (精度=0.72,AUC=0.776,灵敏度=0.77),证明了强大的预测性能.
• 后勤回归执行密切,与其他模型,如随机森林被处罚过度装配.

结论:

• 机器学习模型,特别是XGBoost,可以使用例行收集的EHR数据有效预测抑郁症的进展.
• 这项研究强调了利用社会经济和电子健康数据的可行性,以早期识别恶化的抑郁症.
• 强调需要透明的模型选择框架,以确保可信的临床AI应用.