
-
生物通官微
陪你抓住生命科技
跳动的脉搏
具有治疗策略指导意义的大学生成绩心理健康可解释性筛查模型的构建与验证
《Scientific Reports》:Identification and validation of an explainable screening model of college students’ mental health with therapeutic strategy implications
【字体: 大 中 小 】 时间:2026年07月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要年轻人的心理健康问题,尤其是抑郁症状,构成了一个公共卫生挑战。传统的心理评估工具在识别高风险个体方面的敏感度和特异性有限。本研究旨在开发一种基于可解释机器学习的模型,用于对年轻人的同时期抑郁风险进行分层评估。研究共纳入了100,257名大学生,收集了包括抑郁、焦虑、心理韧性、
年轻人的心理健康问题,尤其是抑郁症状,构成了一个公共卫生挑战。传统的心理评估工具在识别高风险个体方面的敏感度和特异性有限。本研究旨在开发一种基于可解释机器学习的模型,用于对年轻人的同时期抑郁风险进行分层评估。研究共纳入了100,257名大学生,收集了包括抑郁、焦虑、心理韧性、亲子关系以及手机使用时长在内的心理健康相关数据。研究人员系统地评估并比较了13种机器学习算法的筛查能力,并采用SHapley加性解释法来提升最终模型的可解释性。亲子关系、心理韧性、焦虑程度以及手机使用时间的中位数分别为42.0、28.0、1.0和28.0。在13种机器学习算法中,XGBoost模型的表现最为优异。最终的多元筛查模型在分类年轻人同时期抑郁风险时,其曲线下面积为0.887,敏感度为0.787,特异性为0.830,准确率为0.816。SHAP分析显示各变量的重要性排序为:焦虑(2.303)>心理韧性(0.774)>亲子关系(0.708)>手机使用时间(0.411)。该多元模型在交叉验证中的表现稳定,曲线下面积为0.885±0.032,显著优于单变量模型(P<0.001),且筛查可靠性更高(布里尔得分0.153)。最终的多元XGBoost模型为年轻人的抑郁风险分层提供了一种高度准确且易于理解的方法。由于该模型是基于新冠疫情期间校园封锁期间收集的横断面数据开发的,因此在临床应用之前还需要进行前瞻性验证。值得注意的是,焦虑水平是影响最大的风险因素,而心理韧性则具有显著的保护作用。
生物通微信公众号