在维普、万方、知网、Embase、PubMed和Web of Science数据库中检索2019~2023年间有关机器学习方法预测抑郁症发病风险的文献,系统性地总结这些算法的特点、研究领域、模型效能和当前应用所面临的问题和挑战。研究共纳入92篇文献,结果显...在维普、万方、知网、Embase、PubMed和Web of Science数据库中检索2019~2023年间有关机器学习方法预测抑郁症发病风险的文献,系统性地总结这些算法的特点、研究领域、模型效能和当前应用所面临的问题和挑战。研究共纳入92篇文献,结果显示,机器学习预测抑郁症发病风险的模型效果较好,最佳预测模型的AUC值为0.6030~0.9976。未来应当建立多中心、前瞻性的融合多模态的动态预测模型,为抑郁症的临床诊断提供更可靠的依据。展开更多
文摘在维普、万方、知网、Embase、PubMed和Web of Science数据库中检索2019~2023年间有关机器学习方法预测抑郁症发病风险的文献,系统性地总结这些算法的特点、研究领域、模型效能和当前应用所面临的问题和挑战。研究共纳入92篇文献,结果显示,机器学习预测抑郁症发病风险的模型效果较好,最佳预测模型的AUC值为0.6030~0.9976。未来应当建立多中心、前瞻性的融合多模态的动态预测模型,为抑郁症的临床诊断提供更可靠的依据。