预测性机器学习算法用于六种癌症类型的抑郁和焦虑障碍:一项基于人口的综合多中心研究

科学领域:

• 在瘤学瘤学.
• 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:

• 机器学习 (ML) 在医学诊断中的应用是广泛的,但预测癌症后的心理健康问题,如抑郁症和焦虑症仍然未得到充分探索.
• 癌症患者面临患有抑郁症和焦虑症的重大风险,影响治疗坚持和整体生活质量.

研究的目的:

• 开发和验证ML模型来预测癌症患者的抑郁和焦虑障碍在诊断后的一年内.
• 确定导致癌症后抑郁和焦虑的关键人口,临床和护理质量因素.

主要方法:

• 一项纵向的跨机构研究,涉及台湾三家医疗中心的24,580名癌症患者 (2017-2022).
• 开发和比较多个ML算法,包括后勤回归,随机森林,K-近邻,自适应增强和极端梯度增强 (XGBoost).
• 模型性能使用准确度,精度,回忆,F1得分和AUROC进行评估,并通过SPSS和Python进行统计分析.

主要成果:

• XGBoost模型表现出卓越的性能,达到98.30%的准确性,98.17%的精度,98.30%的F1得分和99.72%的AUROC.
• 功能重要性分析强调瘤大小,患者年龄和体重指数是抑郁和焦虑的最重要的预测因素.

结论:

• 使用纵向数据,ML模型有效地预测癌症患者的抑郁和焦虑,为风险因素提供了有价值的见解.
• 这些预测模型可以增强心理健康护理,为基于证据的指导方针提供信息,并在整个癌症治疗过程中改善患者的结果.