基于梯度提升机与血液生物标志物的10–26岁患者抑郁症诊断机器学习模型研究
《Scientific Reports》:Development and validation of a machine learning-based diagnostic model for depression in young populations: a retrospective cohort study
【字体:
大
中
小
】
时间:2026年10月22日
来源:Scientific Reports 4.9
编辑推荐:
**摘要**
10–26岁人群的抑郁症往往表现隐匿,但对其身心健康发育的影响可能十分严重。本研究旨在开发一种机器学习模型用于抑郁症的诊断。研究于2019年至2025年间收集了600名10–26岁患者的数据,其中350名为非抑郁症患者,250名为抑郁症患者。采用梯度提升机(G
**摘要**10–26岁人群的抑郁症往往表现隐匿,但对其身心健康发育的影响可能十分严重。本研究旨在开发一种机器学习模型用于抑郁症的诊断。研究于2019年至2025年间收集了600名10–26岁患者的数据,其中350名为非抑郁症患者,250名为抑郁症患者。采用梯度提升机(GBM)构建模型,并使用Shapley可加性解释(SHAP)图进行模型解释与可视化。基于Boruta特征选择方法,确定了九个变量用于机器学习模型的构建:S100β、血小板(PLT)、乳酸脱氢酶(LDH)、白细胞(WBC)、肌酸激酶同工酶Mb(CK-Mb)、性别以及LDH/PLT比值、LDH/WBC比值和LDH/HGB比值。GBM模型在阈值为0.591时表现最佳,准确率为0.878,特异性为0.941,精确率为0.913,同时表现出较高的敏感度(0.797)和F1分数(0.851)。决策曲线分析和校准曲线评估了该模型的临床有效性和一致性,结果表明GBM模型优于其他模型。识别出的最重要特征为S100β、PLT和LDH/PLT比值。通过机器学习方法,识别出S100β、PLT和LDH/PLT比值等关键因素,为10–26岁患者抑郁症的诊断提供了初步证据。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号