慢性病患者抑郁症状的发展和解释预测模型:基于NHANESES的横截面研究

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 精神病学是一个精神病学.
• 数据科学数据科学数据科学

背景情况:

• 抑郁症状在慢性病 (CKD) 患者中是常见的和有害的.
• 现有的CKD抑郁症查工具存在局限性,包括高错误率.
• 早期识别抑郁症对于管理CKD患者的结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,以改善在CKD患者中早期识别抑郁症状的风险.
• 为了比较各种ML算法的表现,在这个人群中进行抑郁查.
• 通过使用可解释的ML技术,识别CKD中抑郁症状的关键预测因素.

主要方法:

• 利用NHANES数据 (2011-2023) 进行模型开发,培训,内部和外部验证.
• 运用最小绝对收缩和选择运算符 (LASSO) 回归用于预测器选择.
• 训练了八个ML算法,专注于回忆,精度,F1得分和AUC进行评估,并使用SHAP进行解释.

主要成果:

• 随机森林 (RF) 模型在内部验证中表现强 (AUC 0.941) 和在外部验证中表现可接受 (AUC 0.711).
• 由SHAP确定的关键预测因素包括贫困收入比率,吸烟状态,体重和尿液白蛋白与肌素的比率.
• 该模型提供了一种临床可行的工具,用于对CKD中抑郁症状的风险分层.

结论:

• 开发的ML模型提供了一种有希望的方法,可以提高对CKD患者抑郁症状的早期检测.
• 可解释的ML (SHAP) 提供了对风险因素的洞察,促进了以患者为中心的管理.
• 这个工具可以支持有针对性的查,及时干预,以及在CKD护理中有效分配资源.