TY -的盟Makhmutova AU - Kainkaryam圆子拉盟-费雷拉,玛尔塔非盟- Min, Jae盟——Jaggi马丁AU -粘土,Ieuan PY - 2022 DA - 2022/3/25 TI -预测抑郁严重程度的变化使用PSYCHE-D (Change-Depression严重程度的预测)模型涉及Person-Generated健康数据:纵向病例对照观察研究乔- JMIR Mhealth Uhealth SP - e34148六世- 10 - 3 KW -抑郁KW -机器学习KW - Person-Generated健康数据AB -背景:2017年，美国估计有1730万成年人至少经历过一次重度抑郁症发作，其中35%的人没有接受任何治疗。抑郁症的诊断不足可归因于许多原因，包括围绕精神健康的污名，获得医疗保健的机会有限，以及费用方面的障碍。目的:本研究旨在确定利用个人产生的健康数据(PGHD)的低负担个人健康解决方案是否可能代表一种增加参与和改善结果的可能方法。方法:在这里，我们提出了PSYCHE-D(抑郁症严重程度变化预测)的发展，这是一个基于4000多名个体的PGHD的预测模型，可以预测抑郁症严重程度的长期增加。psych - d采用两阶段方法。第一阶段用中间生成的标签补充自我报告，第二阶段预测3个月内的变化状态，最多提前2个月。这两个阶段被实现为一个单一的管道，以消除数据泄漏并确保结果是通用的。结果:PSYCHE-D由2个基于光梯度增强机(LightGBM)算法的分类器组成，这些分类器使用一系列PGHD输入特征，包括客观活动和睡眠，自我报告的生活方式和药物变化，并生成抑郁状态的中间观察结果。该方法推广到以前未见过的参与者，以检测3个月间隔内抑郁症严重程度的增加，灵敏度为55.4%，特异性为65.3%，与随机模型相比，灵敏度几乎增加了两倍，同时保持了特异性。 Conclusions: These results demonstrate that low-burden PGHD can be the basis of accurate and timely warnings that an individual’s mental health may be deteriorating. We hope this work will serve as a basis for improved engagement and treatment of individuals experiencing depression. SN - 2291-5222 UR - https://mhealth.www.mybigtv.com/2022/3/e34148 UR - https://doi.org/10.2196/34148 UR - http://www.ncbi.nlm.nih.gov/pubmed/35333186 DO - 10.2196/34148 ID - info:doi/10.2196/34148 ER -