تشخیص افسردگی با استفاده از یادگیری ماشین چندوجهی در مصاحبههای بیمار
چکیده
پیشزمینه: افسردگی یک نگرانی عمده در حوزه بهداشت عمومی است که بر حدود پنج درصد از جمعیت جهانی تأثیر میگذارد. تشخیص زودهنگام و دقیق برای شروع درمان مؤثر ضروری است، اما شناسایی آن در بسیاری از زمینههای بالینی چالشبرانگیز باقی مانده است. نشانههای گفتاری، زبانی و رفتاری جمعآوریشده در طول مصاحبههای بیمار ممکن است نشانگرهای عینی ارائه دهند که از ارزیابی بالینی پشتیبانی میکنند.
روشها: ما یک روش تشخیصی توسعه دادیم که ویژگیهای استخراجشده از مصاحبههای بیمار، شامل الگوهای گفتاری، ویژگیهای زبانی و اطلاعات بالینی ساختاریافته را ادغام میکند. مدلهای جداگانه برای هر حالت آموزش داده شدند و سپس از طریق ادغام چندوجهی ترکیب شدند تا پیچیدگی ارزیابی روانپزشکی واقعی را منعکس کنند. اعتبار مدل با استفاده از معیارهای عملکردی معتبر ارزیابی شد و با استفاده از روشهای کالیبراسیون و تحلیل تصمیمگیری برای تخمین سودمندی بالینی بالقوه بیشتر ارزیابی شد.
نتایج: مدل چندوجهی دقت تشخیصی برتری نسبت به مدلهای تکوجهی به دست آورد، با AUROC برابر 0.88 و امتیاز F1 ماکرو برابر 0.75. مهمتر از همه، مدل ترکیبی کالیبراسیون خوبی نشان داد و سود بالینی خالص بیشتری نسبت به استراتژیهای پایه ارائه داد، که پتانسیل آن را برای کمک به پزشکان در شناسایی بیماران مبتلا به افسردگی بهطور قابلاعتمادتری برجسته میکند.
نتیجهگیری: تحلیل چندوجهی مصاحبههای بیمار با استفاده از یادگیری ماشین ممکن است بهعنوان یک مکمل ارزشمند برای ارزیابی روانپزشکی عمل کند. با ترکیب ویژگیهای گفتاری، زبانی و بالینی، این رویکرد چارچوبی قوی ارائه میدهد که میتواند تشخیص زودهنگام اختلالات افسردگی را بهبود بخشد و از تصمیمگیری مبتنی بر شواهد در مراقبتهای بهداشت روانی پشتیبانی کند.
این یک مقاله تخصصی است. برای مطالعه کامل، وارد حساب دارای دسترسی تخصصی شوید.