利用机器学习从听力损失预测抑郁症( Predicting Depression From Hearing Loss Using Machine Learning )

MG Crowson KH Franck LC Rosella TCY Chan Keywords Artificial intelligence Depression Hearing loss Machine learning

目的：听力损失是人类最常见的感觉损失，并增加了抑郁症的风险。以前没有研究试图用一种现代机器学习方法来预测抑郁症，使用主观和客观的听力损失预测器。目的：是利用主观和客观的听力变量以及其他健康决定因素，部署有监督的机器学习来预测一个有效的抑郁量表的分数。设计：使用来自2015-2016年国家健康和营养检查调查数据库的健康决定因素的大型预测因子集来预测成年人在筛选抑郁存在和严重程度的验证工具（患者健康问卷-9[PHQ-9])上的得分。模型训练后，分层分析个体预测因子对抑郁得分的相对影响。模型的预测性能由预测误差度量来决定。结果：在PHQ-9的27分量表上，测试集的平均绝对误差分别为3.03（95%置信区间:2.91~3.14)和2.55（95%置信区间:2.48~2.62)。参与者自述的与家人或朋友交谈时因听力损失而感到沮丧是所有预测因素中第五大影响因素。前10个最有影响力的听力预测因素中，有5个与社会环境有关，2个与明显的噪声暴露有关，2个客观的听力参数，1个与令人烦恼的耳鸣有关。结论：机器学习算法可以准确预测PHQ-9抑郁量表的得分。在验证的抑郁量表中，较高分数的最有影响的听力预测因素是听力损失的社会动力学，而不是客观的听力测试。这样的模型可以用于预测护理点抑郁量表评分，并结合标准的听力评估。

SciDown文献求助系统（解决99%问题） Public Download LWW Journals ResearchGate