Verkorte depressiebeoordelingsstudie

Klinische depressie treft elk jaar 5-10% van de wereldbevolking en is wereldwijd een ernstig probleem voor de geestelijke gezondheid. Er zijn veel traditionele psychologische schalen die de niveaus van depressie bij volwassenen beoordelen, waarbij hun items vaak overbodig zijn in de informatie die ze dragen, en hun score is niet noodzakelijkerwijs lineair met de itemscores. Machine learning-technieken kunnen dus helpen bij het vinden van de redundantie in de items, evenals de niet-lineaire relatie tussen de itemscores en de uiteindelijke voorspelling. Met behulp van de Depression Anxiety Stress Scale 42 (DASS-42) als basis, wordt deelnemers gevraagd een online vragenlijst in te vullen over hun demografische informatie (leeftijd, geslacht, land van verblijf, ras, etc.) en alle 42 items van DASS -42 om een ​​dataset voor deze studie te leveren. Functieselectietechnieken zoals MRMR en Gini-kenmerkbelang werden toegepast om de belangrijkste kenmerken in de dataset te identificeren. Vervolgens worden met behulp van machine learning-methoden, zoals Logistic Regression-, XGBoost- en Ensemble-modellen, modellen aangepast aan de belangrijkste kenmerken om een ​​verkorte depressieschaal te ontwikkelen (7-9 items bestaande uit demografische items en DASS-items) die de niveaus nauwkeurig voorspelden. van depressie (gemeten aan de hand van de AUC-, ROC- en F1-scores.