整合甲状腺功能和心理测量资料,以终身自杀企图风险分层在双相情感障碍:一个多算法机器学习研究

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 计算生物学和生物信息学
• 临床诊断 临床诊断 临床诊断

背景情况:

• 双极性障碍是一种严重的精神疾病,具有反复的情绪发作和低诊断率.
• 自杀企图是双相情感障碍患者的一个重大问题,需要改善风险分层.
• 横截面关联被用来探索终身自杀企图的预测因素.

研究的目的:

• 开发和验证机器学习模型,用于对双相情感障碍患者终身自杀企图的风险分层.
• 确定与该人口中自杀企图相关的关键临床和生物标志物.
• 为临床医生提供工具,以识别患有早期干预风险较高的患者.

主要方法:

• 利用机器学习技术,包括随机森林,梯度增强和支持向量机器.
• 采用LASSO逻辑回归来选择变量和SMOTE来处理类不平衡.
• 进行过敏感性分析以减轻反向因果偏差和对euthyroid患者的子组分析.

主要成果:

• 随机森林模型表现出卓越的性能,精度为0.938和AUC为0.962.
• 鉴定到的最重要的预测因素是自杀念头,教育水平,绝望,智障症状严重程度和甲状腺刺激激素 (TSH).
• 敏感性和子组分析证实了所识别的预测因素和模型性能的稳定性.

结论:

• 一个强大的机器学习模型被开发用于自杀企图的风险分层在双相情感障碍.
• 该模型可以帮助临床医生识别有风险的个体,以便及时干预.
• 未来的前性验证是必要的,以确认临床效用和建立时间优先级.