基于机器学习动态简化的明尼苏达多相个性调查表

目的使用机器学习算法对明尼苏达多相个性调查表(MMPI)中的临床量表进行简化。方法将7410例测试者的测评数据针对不同人群进行划分,通过机器学习算法进行建模分析以实现动态删减部分题组。结果将动态删减后的结果保持删减前结果75%的敏感度与特异度为阈值,男性的癔症(Hy)为阴性且精神衰弱(Pt)、精神分裂(Sc)为阳性的分组,癔症(Hy)、抑郁(D)为阴性且精神衰弱(Pt)、精神分裂(Sc)为阳性的分组,精神分裂(Sc)、精神衰弱(Pt)、妄想(Pa)、男性-女性倾向(Mf)、病态人格(Pd)、社会内向(Si)为阴性且癔症(Hy)、抑郁(D)为阳性的分组,均可缩减8.3%的题目;抑郁(D)、精神衰弱(Pt)、精神分裂(Sc)、社会内向(Si)、轻躁狂(Ma)、男性-女性倾向(Mf)为阴性且疑病(Hs)为阳性的分组可缩减15.0%的题目;精神分裂(Sc)为阴性且抑郁(D)为阳性的分组可缩减12.0%的题目。女性的精神分裂(Sc)、抑郁(D)、病态人格(Pd)、社会内向(Si)、疑病(Hs)、妄想(Pa)、轻躁狂(Ma)、男性-女性倾向(Mf)为阴性且癔症(Hy)为阳性的分组可缩减12.0%的题目;抑郁(D)、社会内向(Si)、癔症(Hy)为阴性且精神分裂(Sc)、妄想(Pa)、精神衰弱(Pt)为阳性的分组可缩减11.5%的题目。结论简化后的版本实现了筛查与辅助诊断的功能,更适用于体检场景。基于本研究提出的机器学习模型,继续扩大数据量,能够挖掘出更多的可简化分组。

基于机器学习简化MMPI量表的有效性研究

针对传统MMPI量表中题目数量过多,许多应用场景下受试者依从性差的问题,提出使用机器学习算法对MMPI量表中的临床量表进行简化的方法,对6种经典机器学习算法的简化效果进行了比较,并在受试者测评数据上对原始和简化后测评结果的敏感度与特异度进行了对比分析。实验结果表明,使用最小绝对收缩和选择算子(LASSO)的算法在保持相近准确率的同时简化效果最好,平均减少了37.3%的男性和39.1%的女性受试者题目数量,并且简化后测评结果的敏感度与特异度仍能保持在原始测评结果的85%,缩短了测评时间,适用于更多的应用场景。