
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多维心理社会特征的机器学习模型在中国男男性行为者中抑郁症状的预测与风险分层
《BMC Psychology》:Interpretable machine learning for identifying high-risk depression among men who have sex with men: an online cross-sectional study based on the Sexual Minority Stress Model
【字体: 大 中 小 】 时间:2026年09月19日 来源:BMC Psychology 4.6
编辑推荐:
摘要背景男男性行为者(MSM)由于面临独特的心理社会压力因素,其抑郁症状的发生风险显著升高。然而,现有的大多数抑郁筛查工具是针对普通人群开发的,无法充分捕捉MSM特有的压力因素,导致风险识别的准确性有限。在中国背景下,MSM群体的心理健康负担仍被低估,且缺乏整合多维度心理社会
男男性行为者(MSM)由于面临独特的心理社会压力因素,其抑郁症状的发生风险显著升高。然而,现有的大多数抑郁筛查工具是针对普通人群开发的,无法充分捕捉MSM特有的压力因素,导致风险识别的准确性有限。在中国背景下,MSM群体的心理健康负担仍被低估,且缺乏整合多维度心理社会因素的精确评估方法。
2022年11月至12月间,本研究采用非概率抽样方法招募了1,369名MSM。基于少数群体压力模型,收集候选风险因素,包括社会人口学特征、MSM相关污名化、心理韧性、社会支持和MSM性身份,以抑郁症状为主要结局。采用3种特征选择方法结合10种机器学习算法构建预测模型,并评估模型性能以确定最佳模型。随后应用SHAP分析解读各风险因素的贡献。为增强临床适用性,将最佳模型的风险概率定义为风险评分(RS),并据此进行风险分层。此外,将最佳模型的预测结果整合到网络应用程序中,以支持概率估算和交互式决策。
在所有比较的算法中,LightGBM模型表现最佳,AUC达到0.945,且在多项评估指标上均表现出优异的综合性能。关键风险因素包括心理韧性、身份优越感、污名化经历和内在化恐同。风险分层分析显示,高风险组个体的抑郁症状发生率显著高于低风险组(P < 0.001)。采用可视化工具直观展示了模型的分类阈值及其潜在的实用价值。
机器学习模型通过整合多维特征,可以有效识别抑郁症状高风险的MSM个体。基于模型推导的概率和网络应用程序评分的风险分层有助于早期识别和制定更具针对性的支持策略,从而有助于提高该群体心理健康筛查的个性化水平。
男男性行为者(MSM)由于面临独特的心理社会压力因素,其抑郁症状的发生风险显著升高。然而,现有的大多数抑郁筛查工具是针对普通人群开发的,无法充分捕捉MSM特有的压力因素,导致风险识别的准确性有限。在中国背景下,MSM群体的心理健康负担仍被低估,且缺乏整合多维度心理社会因素的精确评估方法。
2022年11月至12月间,本研究采用非概率抽样方法招募了1,369名MSM。基于少数群体压力模型,收集候选风险因素,包括社会人口学特征、MSM相关污名化、心理韧性、社会支持和MSM性身份,以抑郁症状为主要结局。采用3种特征选择方法结合10种机器学习算法构建预测模型,并评估模型性能以确定最佳模型。随后应用SHAP分析解读各风险因素的贡献。为增强临床适用性,将最佳模型的风险概率定义为风险评分(RS),并据此进行风险分层。此外,将最佳模型的预测结果整合到网络应用程序中,以支持概率估算和交互式决策。
在所有比较的算法中,LightGBM模型表现最佳,AUC达到0.945,且在多项评估指标上均表现出优异的综合性能。关键风险因素包括心理韧性、身份优越感、污名化经历和内在化恐同。风险分层分析显示,高风险组个体的抑郁症状发生率显著高于低风险组(P < 0.001)。采用可视化工具直观展示了模型的分类阈值及其潜在的实用价值。
机器学习模型通过整合多维特征,可以有效识别抑郁症状高风险的MSM个体。基于模型推导的概率和网络应用程序评分的风险分层有助于早期识别和制定更具针对性的支持策略,从而有助于提高该群体心理健康筛查的个性化水平。