用于双相情感障碍与边缘型人格障碍的基于签名的机器学习模型
机器学习
2019-05-03 v2
摘要
移动技术为更高分辨率的健康状况监测提供了机会。这一机会在精神病学中似乎尤为有前景，因为该领域的诊断通常依赖于对情绪状态的回顾性和主观回忆。然而，从这些相当复杂的时间序列中获取可操作信息具有挑战性，目前对临床护理的影响在很大程度上仍是假设性的。本研究表明，通过精心选择的队列（包括双相情感障碍、边缘型人格障碍和对照组）和现代方法，能够客观地学习识别短期（20 份报告）内的独特行为，从而有效区分这些队列。双相情感障碍或边缘型人格障碍参与者以及健康志愿者使用定制的智能手机应用程序进行每日情绪评分，持续长达一年。基于签名的机器学习模型被用于根据所评估的不同情绪项目之间的相互关系对参与者进行分类，并预测随后的情绪。在区分参与者三个群体方面，签名方法明显优于此前应用于该数据的统计方法，仅根据其报告就明确地将 75% 的参与者正确归入其原始群体。在所有群体中，随后的情绪评分预测准确率均超过 70%。健康志愿者的情绪预测最为准确（89-98%），而双相情感障碍（82-90%）和边缘型人格障碍（70-78%）次之。
引用
@article{arxiv.1707.07124,
title = {A signature-based machine learning model for bipolar disorder and borderline personality disorder},
author = {Imanol Perez Arribas and Kate Saunders and Guy Goodwin and Terry Lyons},
journal= {arXiv preprint arXiv:1707.07124},
year = {2019}
}