机器学习预测2024年黎巴嫩战争期间大学生抑郁、焦虑与感知压力

《Scientific Reports》：Machine learning prediction of depression, anxiety, and stress among university students during wartime in Lebanon

　　

摘要

黎巴嫩的大学生正面临战争与长期国家危机的叠加，亟需可扩展的工具来及早发现心理健康问题。我们利用机器学习（ML）预测2024年黎巴嫩战争期间学生的抑郁、焦虑和感知压力，比较算法性能，识别关键预测因子，并评估临床截断值对模型表现的影响。我们在贝鲁特美国大学的225名学生中开展了一项横断面在线调查。结局指标通过PHQ-9、GAD-7和PSS-10量表进行测量，设定中度和重度阈值。预测因子包括社会人口统计学、生活方式、冲突相关及心理社会变量。我们使用分层训练-测试划分、交叉验证调优以及平衡管道与SMOTE增强管道训练了九种监督学习算法。模型选择主要依据测试集的PR-AUC（精确率-曲线下面积），以召回率为次要标准，并通过ROC-AUC（受试者工作特征曲线下面积）、Brier分数和校准曲线进行额外评估。症状普遍存在：61.3%的学生筛查结果达到中度至重度抑郁，59.6%为焦虑，73.3%为压力；27%至35%符合重度阈值。平衡随机森林在抑郁和焦虑预测中表现最佳（PR-AUC分别为0.93和0.88），平衡校准AdaBoost在压力预测中表现最佳（PR-AUC为0.95），且焦虑和压力的校准效果有所提升。关键预测因子包括健康饮食、睡眠和体力活动的减少，社交媒体使用增加，回避型应对策略增加和趋近型应对策略减少，家庭规模较大，以及对个人和家庭安全的担忧。这些探索性发现表明，可解释的机器学习有望在冲突影响的高校中推动早期心理健康风险检测，但需在更大样本和独立样本中验证其性能。