A Machine Learning approach to optimize the assessment of depressive symptomatology
A Machine Learning approach to optimize the assessment of depressive symptomatology
复制标题
优化抑郁症状评估的机器学习方法
DOI：
10.1016/j.procs.2022.09.090
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Eduardo M
中科院分区：
文献类型：
--
作者：
Eduardo M
在这项工作中，我们开发了一个机器学习模型来预测抑郁症（DS）。该模型的AUC为0.71，灵敏度为74.8%。在开发模型时，我们应用贝叶斯网络方法来选择其预测因子。这种概率方法有助于理解预测因子和DS之间的关系。因此，我们能够确定平衡问题和呼吸急促与DS直接相关。
In this work, we developed a machine learning model to predict depressive symptomatology (DS). The model achieved an AUC of 0.71 and a sensitivity of 74.8%. When developing the model, we applied a Bayesian network approach to select its predictors. This probabilistic approach facilitates the understanding of the relationships between predictors and DS. In consequence, we were able to identify that having balance problems and experiencing shortness of breath are directly related to DS.
登录
查看更多内容
初级保健中老年人抑郁症的识别和治疗：圣保罗老龄化与健康研究的结果。
影响因子：
2.2
作者：
M. Scazufca;P. Menezes;K. Tabb;R. Kester;W. Rössler;Hsiang Huang
通讯作者：
Hsiang Huang
用于识别微不足道的前列腺癌的临床方案的敏感性和特异性之间的权衡。
影响因子：
23.4
作者：
T. van der Kwast
通讯作者：
T. van der Kwast
影响因子：
3.4
作者：
Lin, Shaowu;Wu, Yafei;Fang, Ya
通讯作者：
Fang, Ya
影响因子：
11
作者：
Kessler RC;van Loo HM;Wardenaar KJ;Bossarte RM;Brenner LA;Cai T;Ebert DD;Hwang I;Li J;de Jonge P;Nierenberg AA;Petukhova MV;Rosellini AJ;Sampson NA;Schoevers RA;Wilcox MA;Zaslavsky AM
通讯作者：
Zaslavsky AM
巴西自我报告的抑郁症患病率：2013 年国家健康调查结果。
DOI：
--
发表时间：
2015
期刊：
Revista brasileira de epidemiologia = Brazilian journal of epidemiology
影响因子：
--
作者：
S. R. Stopa;D. Malta;Max Moura de Oliveira;C. Lopes;P. Menezes;Roberto Tykanori Kinoshita
通讯作者：
Roberto Tykanori Kinoshita