Förkortad depressionsbedömningsstudie

Klinisk depression drabbar 5-10 % av världens befolkning varje år och är ett allvarligt problem med psykisk hälsa globalt. Det finns många traditionella psykologiska skalor som bedömer nivåer av depression hos vuxna, där deras föremål ofta är överflödiga i den information de bär, och deras poängsättning inte nödvändigtvis är linjär i förhållande till postens poäng. Maskininlärningstekniker kan alltså hjälpa till att hitta redundansen i objekten, såväl som det olinjära förhållandet mellan objektpoängen och den slutliga förutsägelsen. Med hjälp av Depression Anxiety Stress Scale 42 (DASS-42) som grund kommer deltagarna att bli ombedda att fylla i ett onlinefrågeformulär om sin demografiska information (ålder, kön, bosättningsland, ras, etc.) och alla 42 artiklar i DASS -42 för att tillhandahålla en datauppsättning för denna studie. Funktionsvalstekniker som MRMR och Gini funktionsviktighet användes för att identifiera de viktigaste funktionerna i datasetet. Sedan, med hjälp av maskininlärningsmetoder som Logistic Regression, XGBoost och Ensemble-modeller, kommer modellerna att monteras på de viktigaste funktionerna för att utveckla en förkortad depressionsskala (7-9 objekt bestående av demografiska objekt och DASS-objekt) som exakt förutspådde nivåerna av depression (mätt med AUC, ROC och F1 poäng.