使用随机效应机器学习算法识别抑郁症易感性
机器学习
2023-07-06 v1 计算机与社会
机器学习
摘要
背景：对临床进展随时间变化的可靠预测可改善抑郁症的结局。将各种抑郁症风险因素整合以确定具有最大效用的因素组合来识别哪些个体风险最高，这方面工作甚少。方法：本研究证明，数据驱动的机器学习（ML）方法如RE-EM（随机效应/期望最大化）树和MERF（混合效应随机森林）可被应用于可靠识别对分类最高风险亚组最具效用的变量。185名年轻成年人完成了抑郁症风险测量，包括反刍、担忧、负性认知风格、认知与应对灵活性以及负性生活事件，连同抑郁症状。我们训练了RE-EM树和MERF算法，并通过交叉验证将它们与传统线性混合模型（LMMs）在预测抑郁症状的前瞻性和同时性上进行比较。结果：我们的结果表明，RE-EM树和MERF方法能建模复杂交互、识别个体亚组并预测抑郁严重程度，效果可与LMM媲美。此外，机器学习模型确定沉思、负性生活事件、负性认知风格和感知控制是未来抑郁水平最相关的预测因子。结论：随机效应机器学习模型具有高临床效用潜力，可被用于干预以降低抑郁症易感性。
引用
@article{arxiv.2307.02023,
title = {Using Random Effects Machine Learning Algorithms to Identify Vulnerability to Depression},
author = {Runa Bhaumik and Jonathan Stange},
journal= {arXiv preprint arXiv:2307.02023},
year = {2023}
}