机器学习如何帮助我们对整个生命周期的抑郁症预测:预测模型的探索性比较

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 计算科学 计算科学
• 发展心理学 发展心理学

背景情况:

• 早期发现抑郁症对于干预和预防长期后果至关重要.
• 预测抑郁症是具有挑战性的,因为它的变化性质 (严重程度,持续时间,触发因素).
• 机器学习 (ML) 模型提供了与传统统计方法相比更好的预测潜力.

研究的目的:

• 将五种ML模型的预测性能与抑郁症的物流回归进行比较.
• 评估早期环境和遗传因素对预测青少年和成人抑郁症的有用性.
• 确定抑郁症状和临床抑郁症的关键预测因素.

主要方法:

• 利用了美国长度研究20年的数据.
• 训练后勤回归,决策树,XGBoost,支持向量机器和神经网络.
• 使用早期预测因素 (12-18岁),包括环境和遗传数据 (多基因分数).

主要成果:

• 在XGBoost中,与物流回归相比,ROC-AUC略有改善 (0.02).
• 后勤回归显示了与其他几种ML模型相似的性能.
• 早期的数据强烈预测了青少年和成人抑郁症;青春期是一个关键时期.
• 多基因分数在与环境数据相结合时没有提高预测.
• 自我认知和身体健康预测了抑郁症状;创伤预测了临床抑郁症.

结论:

• 生命早期的环境因素是整个发育阶段抑郁症的强有力的预测因素.
• 青春期代表了确定抑郁风险的关键窗口.
• 虽然先进的机器学习模型显示出希望,但像物流回归这样的更简单的模型仍然是有效的预测器.
• 除了环境因素之外,遗传倾向 (多基因分数) 并不能显著改善抑郁症预测.