某银行新入职员工心理测评MMPI测验分析

目的探讨分析某银行新入职员工明尼苏达多相人格测验(MMPI)结果,对比分析其与全国常模、新入职医护人员以及入伍新兵的心理测评结果差异。方法使用MMPI对某银行新入职的255名员工进行测评,使用独立样本t检验的方法比较其与全国常模以及新入职医护人员、入伍新兵测评结果的差异。结果女性受试者MMPI男女性化(Mf)子量表评分高于男性受试者(P<0.01),女性精神分裂症(Sc)、轻躁狂(Ma)以及伪装(F)子量表评分均低于男性(P<0.01)。男性全国常模和男性大学文凭常模MMPI谎言(L)、防御(K)两个效度量表评分均低于男性受试者(P<0.01),其他10个分量表评分全国常模均高于男性受试者(P<0.01)。女性全国常模和女性大学文凭常模MMPI谎言(L)、防御(K)以及男女性化(Mf)分量表量表评分均低于女性受试者(P<0.01),其他9个分量表评分均高于女性受试者(P<0.05)。男性受试者MMPI谎言(L)、防御(K)子量表评分均高于男性新入职医护人员(P<0.01),疑病(Hs)、抑郁(D)、癔病(Hy)、精神病态(Pd)、妄想(Pa)、精神衰弱(Pt)子量表评分均低于男性新入职医护人员(P<0.05)。女性受试者MMPI谎言(L)、防御(K)子量表评分均高于女性新入职医护人员(P<0.01),其他各子量表评分均低于女性新入职医护人员(P<0.05)。男性受试者MMPI除男女性化(Mf)外其余各分量表评分均低于入伍新兵(P<0.01)。结论1985年制定的MMPI常模标准与某银行入职员工的测评存在显著差异,新入职医护人员、入伍新兵与银行入职员工在相同维度显著性差异不同,随着时代变迁,有必要针对不同行业进行常模修订。

临沂市高中生症状自评量表调查结果及影响因素分析

目的:分析临沂市高中生心理测评状况及影响因素。方法:使用SCL-90量表对临沂市高中生进行测评,比较不同性别、不同地区之间的差异,对比不同因子分作为阈值时的阳性状态检出率,使用Odd Ratio和多元回归方法分析影响因素。结果:女生所有心理维度得分显著高于男生(p < 0.001);临沂市高中生心理测评得分显著高于上海市、宝鸡市高中生,除敌对、偏执,其余维度显著高于厦门市高中生(p < 0.05),不同地区高中生强迫特征和人际关系敏感维度得分均高于其他维度;研究中2分因子分阳性状态检出率为30.78%~62.93%,波动范围32.15%,3分因子分阳性状态检出率4.75%~21.47%,波动范围16.72%,研究提出以均值加一个标准差作为阈值,阳性状态检出率15.20%~17.52%。性别,年龄,睡眠时长,手机娱乐时长,感受到课业压力,体育运动频率,性格敏感,有好朋友,同学关系,担心疫情对心理维度有显著影响(p < 0.05)。结论:女生比男生更易出现心理问题,不同地区高中生面临的心理健康状况不同,不同因子阈值阳性检出率存在差异。通过增加睡眠时长,增加体育锻炼,控制手机娱乐时间,同学友好相处,正确认识疫情,可调节心理维度,保持心理健康。

临沂市某大学心理测评SCL-90常模信效度研究

目的研究大学生心理健康状况以及SCL-90常模。方法利用临沂市某大学8221名在校大学生测评的症状自评量表(SCL-90)、抑郁症筛查量表(PHQ-9)结果数据,分析SCL-90信效度,并与2010年全国范围数据以及2020年体检中心人群数据常模对比分析。结果8221名大学生SCL-90各因子分均低于2020年常模(P<0.01);SCL-90躯体化、抑郁、敌对、偏执、精神病性因子分低于2010年常模(P<0.05),强迫、人际敏感、焦虑、恐怖因子分高于2010年常模(P<0.05)。强迫、人际敏感两个维度以2分作为临界值的检出率大于标准分临界值的检出率(P<0.01);躯体化、焦虑、恐怖、精神病性四个维度以2分作为临界值的检出率小于标准分临界值的检出率(P<0.01)。研究中SCL-90量表的信度较高,总量表和各分量表的信度均在0.8以上;抑郁分量表与PHQ-9的一致性在0.529,其一致性与2010年常模一致,高于2020年体检常模。结论针对大学生群体使用的常模不同于一般群体,不同的分量表应该制定不同的临界值。

适用于体检场景的SCL-90常模变迁研究

目的针对体检人群心理健康测评场景,修订症状自评量表(SCL-90)中文版常模。方法抽取2019年青岛市区体检中心成人体检样本1826例,并使用1986年金华等的常模资料、1999年唐秋萍等的合并常模资料、陈树林等杭州2808人数据资料以及2006年童辉杰全国范围内1890人的数据资料与之进行比较分析。结果2019年样本的SCL-90各因子分均高于金华等、唐秋萍等、陈树林等以及童辉杰的数据资料(P<0.001)。样本各个因子上的得分呈逐年上升的趋势。所有的数据集都是强迫因子得分最高,恐怖因子得分最低。使用传统的2分的因子粗分作为体检人群心理健康筛查的临界值与参照本研究提出的常模的检出率比较,除恐怖因子外,其余各因子检出率差异均存在统计学意义(P<0.001)。结论以2分作为临界值不适应体检人群SCL-90的筛查需要,本研究提出的根据现实人群修订的常模数据作为衡量标准更适用。

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。

基于体检数据机器学习分析的糖尿病风险预测模型

针对糖尿病风险预测中数据单一导致预测误差较大的问题,本研究基于体检电子病历数据分析搭建空腹血糖预测模型,探究适合进行空腹血糖预测建模的方法,预测血糖指标及糖尿病的患病风险。基于数据挖掘基本流程,进行数据预处理,采用序列后向算法进行特征选择,使用决策树、随机森林、SVM、逻辑回归及朴素贝叶斯分类5种机器学习算法进行建模预测,并验证所构建模型的效果。研究结果表明,五种算法的准确率均高于88%,其中SVM准确率最高,达96.7%;敏感度均高于66%,随机森林敏感度最高,为95.1%;特异度均高于88%,逻辑回归特异度最高,为97.0%;AUC的值均高于0.8,随机森林最高为0.942。综合比较序列后向选择算法,随机森林算法更适合搭建糖尿病风险预测模型。该研究对通过电子病历数据进行空腹血糖预测的准确度更高,具有很高的应用价值。

基于梯度提升回归树的症状自评量表(SCL-90)简化

基于梯度提升回归树算法探讨适用于体检人群心理健康测评场景的动态SCL-90简化方案,利用梯度提升回归树(Gradient Boosting Regression Tree,GBRT)算法训练2982条体检中心的测评数据,建立题组模型并进行题组间与组内简化,将简化结果与真实测评结果进行对比验证。题组预测的允许误差值设为0.5时,可删减10个题组中的7个题组,预测准确率介于75.9%~81.3%,组内题目验证的敏感度和特异度均达到80%时,每个题组内可以从6~13个题目减少为3~7个。研究结果表明,使用梯度提升回归树算法能在保证准确率的情况下删减部分题目,得到的动态简化量表由于题量动态缩减,减少了测评时间,更适用于体检场景。

基于体检数据的糖尿病风险预测模型对比研究

随着中国糖尿病患者人数及病死率不断上升,对空腹血糖的有效检测及合理预测是目前的研究重点。采用数据挖掘的方法,根据体检数据建立空腹血糖变化预测模型。基于前三年的医学检查数据预测第四年空腹血糖的变化,从医学检查数据库中收集实验数据。在特征选择阶段,使用主成分分析选择最佳特征子集,结合5种机器学习算法建立模型并预测患病风险。实验结果表明随机森林算法模型对糖尿病风险预测效果最佳。

基于深度学习语音分析的双相障碍患者情绪时相检测

目的利用基于语音的深度学习方法区分双相障碍患者抑郁和躁狂情绪时相。方法选取于2018年6月至2022年3月就诊于北京大学第六医院精神科门诊的双相障碍患者61例,使用抑郁症状快速筛查量表、心境障碍问卷和杨氏躁狂量表评估患者的情绪时相。收集所有患者的语音,缓解期、抑郁情绪和躁狂情绪各190条。使用Python中的语音分析库提取语音中的梅尔倒谱系数、过零率等136个特征,通过类LIGHT-SERNET网络训练模型检测情绪时相。采用准确度评估模型整体性能,使用敏感度、特异度、阳性预测值(positive predictive value,PPV)、阴性预测值(negative predictive value,NPV)、受试者工作特征(receiver operation characteristic,ROC)曲线评估模型对3种情绪时相的预测结果。不同情绪时相人口统计学信息比较采用Kruskal-Wallis H检验或χ^(2)检验。结果双相障碍3种情绪时相患者年龄(H=25.83,P<0.001)、受教育年限(H=25.25,P<0.001)和婚姻状况(χ^(2)=23.81,P<0.001)差异均有统计学意义,性别差异无统计学意义(χ^(2)=4.63,P=0.099)。类LIGHT-SERNET模型对3种情绪时相检测的准确度为0.84,其中对缓解期的敏感度为0.88,特异度为0.93,PPV为0.87,NPV为0.94;对抑郁情绪的敏感度为0.82,特异度为0.92,PPV为0.84,NPV为0.92;对躁狂情绪的敏感度为0.82,特异度为0.91,PPV为0.83,NPV为0.91。模型对3种语音情绪时相检测的ROC曲线面积值相近,均在0.90以上。结论通过类LIGHT-SERNET网络对语音进行深度学习分析建立的模型对双相障碍抑郁和躁狂情绪时相具有较好的区分度。

卷积神经网络在精神分裂症诊断中的应用研究

目的探讨卷积神经网络用于精神分裂症辅助诊断的方案,并评价其效果。方法利用卷积神经网络从138个正常人和183个精神分裂症患者的导联数据中训练得到模型,采用20-折交叉验证的方式对模型进行验证。结果使用卷积神经网络训练模型得到的精神分裂症预测的真阳性率为0.749,假阳性率为0.275,准确率为0.738。结论该模式能实现对精神分裂症患者较强的诊断能力。因此,卷积神经网络用于精神分裂症的诊断,将成为以后一个重要的研究方向。