基于机器学习构建社区老年人焦虑抑郁评估预测模型题录

目的基于机器学习算法开发社区老年人焦虑抑郁预测模型。方法根据2019年山西省调查收集的15 079例老年人社会人口统计学因素和疾病状况, 利用广泛性焦虑障碍量表(GAD-7)和患者健康问卷(PHQ-9)进行焦虑抑郁评估, 学习患有心理疾病的老年人群表征, 使用随机森林、XGBoost和LightGBM算法分别建立预测模型, 以受试者工作曲线(ROC)曲线下面积(AUC)、准确率、精度、召回率和F分数量化了预测性能并进行排序。基于Shapley值的特征归因框架分析老年人焦虑抑郁的高风险因素。结果我们构建的基于LightGBM的全特征预测模型AUC可达0.805(95%CI:0.794～0.811), 与随机森林0.730(95%CI:0.702～0.741)和XGboost 0.802(95%CI:0.780～0.807)相比, LightGBM算法显示出了较高的准确率, 从而使其成为较强的预测模型。简化后的模型确定的8个特征可以达到0.75左右的AUC。结论构建的全新的焦虑抑郁评估预测模型, 可以应用于基层健康普查或者自查, 对社区老年人焦虑抑郁进行快速预测。