機器學習用于抑郁障礙識別診斷,效果如何?

抑郁障礙作為一種具體發病機制不明的常見精神障礙,正在影響著全球近乎 2.64 億患者的身心健康。

目前可供使用的抑郁障礙治療手段多樣,包括有抗抑郁劑和心理治療在內的多種治療手段已被證實有確切臨床收效。然而,限于診斷技術的技術性局限和不易普及性,許許多多的抑郁障礙患者尚難以得到及時規范的診斷和治療。

既往一項 meta 分析顯示,在初級醫療保健機構中,僅有約 50% 的抑郁障礙患者得到識別診斷,而最終得到規范治療的患者僅占全體抑郁障礙患者的 15% 左右。

造成以上現狀的原因可能包括以下 3 點:(1)患者病恥感;(2)軀體化癥狀的影響;(3)抑郁障礙確診往往需要以患者既往 2 周發病表現為基礎,這就要求患者能夠記清楚既往 2 周的發病細節。

解決上述出現的診斷率較低這一問題,依賴于抑郁障礙診斷技術的革新。隨著近幾年計算機算力的大幅提升和新興數字精神病學的發展,機器學習已然成為醫工結合相關跨學科研究的熱點。

為了進一步驗證機器學習用于抑郁障礙診斷的有效性,來自巴西里約熱內盧聯邦大學的 Filho 學者做了一項比較基于不同計算機算法診斷抑郁障礙精度的評價研究,研究結果發表在近期的 Journal of Psychiatric Research 中。

研究基于巴西國家心血管疾病研究網絡收集到的臨床、實驗室和社會人口統計學數據,納入比較的機器學習算法模型包括 8 種,分別為:邏輯回歸(Logistic Regression,LR)、分類和回歸樹(Classification and Regression Tree,CART)、自適應增強(Adaptive Boosting,AB)、梯度增強(Gradient Boosting,GB)、極端漸變增強(Extreme Gradient Boosting,XGB)、隨機森林(Random Forests,RF)、K最近鄰(K-Nearest-Neighbors,KNN)以及支持向量機(Support Vector Machine,SVM)。

研究結果發現,一些計算機算法模型可以較好地用于提高抑郁障礙診斷率,8 種納入比較的算法模型中,以 RF、KNN 和 XGB3 種算法表現最佳。研究提示,機器學習仍然會成為未來相當長一段時間的數字精神病學領域研究熱點,機器學習算法的創新迭代將為未來更大人群范圍內抑郁障礙診斷工作的進步提供強大助力。

題圖 | 站酷海洛策劃 | 江十一歡迎投稿 | einsmeer@foxmail.com

免責聲明:本文僅代表文章作者的個人觀點,與本站無關。其原創性、真實性以及文中陳述文字和內容未經本站證實,對本文以及其中全部或者部分內容文字的真實性、完整性和原創性本站不作任何保證或承諾,請讀者僅作參考,并自行核實相關內容。

http://image99.pinlue.com/thumb/img_jpg/fibhJCrjzzDeBklRIYdHpA2SuZnUx34shrsF0S2iaLq7l4icKyWS2EWqBofS0CsMn9N3FJOzxPSPva2Ge3oUswicDw/0.jpeg
分享
評論
首頁
山西快乐十分投注价格