Review article 评论文章Application of machine learning in predicting the risk of postpartum depression: A systematic review
机器学习在预测产后抑郁风险中的应用:系统评价
Highlights 突出
- •Review of machine learning techniques to predict postpartum depression risk
预测产后抑郁风险的机器学习技术综述 - •Supervised learning was the main machine learning technique employed.
监督学习是采用的主要机器学习技术。 - •Studies that involved model translation had not been tested clinically.
涉及模型翻译的研究尚未经过临床测试。 - •All studies showed high bias risk and over half showed high application risk.
所有研究均显示高偏倚风险,超过一半的研究显示高应用风险。
Abstract 抽象
Background 背景
产后抑郁症 (PPD) 在女性及其家庭中是一个严重的健康问题。机器学习 (ML) 是一个快速发展的领域,在预测 PPD 风险方面的实用性越来越大。我们旨在综合和评估 ML 技术在预测 PPD 风险中的应用研究质量。
Methods 方法
我们对 8 个数据库进行了系统检索,确定了关于用于预测 PPD 风险的 ML 技术和具有性能指标的 ML 技术的英文和中文研究。使用预测模型偏倚风险评估工具评估所涉及的研究的质量。
Results 结果
纳入了 17 项研究,涉及 62 个预测模型。监督学习是采用的主要 ML 技术,常见的 ML 模型是支持向量机 、随机森林和逻辑回归 。5 项研究(30 %)报告了内部和外部验证。两项研究涉及模型翻译,但没有一项进行临床测试。所有研究都显示出高偏倚风险,超过一半的研究显示出高应用风险。
Limitations 局限性
Conclusions 结论
研究人员更关注模型开发而不是验证,很少有人关注改进和创新。预测 PPD 风险的模型不断涌现。然而,很少有公司达到可接受的质量标准。因此,用于成功预测 PPD 风险的 ML 技术尚未在临床环境中部署。
Keywords 关键字
1. Introduction 1. 引言
产后抑郁症 (PPD) 是一种常见的精神并发症,通常在产后 4 周或更长时间内发生。PPD 的特征是精神水平显着且持续下降、兴趣和愉悦感丧失以及精力下降(ACOG,2018 年;Zulauf Logoz,2014 年)。对 291 个国家/地区进行的 56 项研究的荟萃分析发现,PPD 的全球汇总患病率为 17.7%(95 % CI;16.6 %–18.8 %),患病率水平从 3% 到 38% 不等,具体取决于国家/地区(Hahn-Holbrook 等人,2017 年)。有证据表明,PPD 使母亲及其后代患严重并发症的风险增加,包括自残(Paul 等人,2021 年)、自杀意念(Mare 等人,2021 年;Trost 等人,2021 年 )和杀婴 (Barr 和 Beck,2008 年)。PPD 还可能导致婴儿的不良健康结果,包括体重不足、 生长发育迟缓 (Farias-Antunez 等人,2018 年)、神经运动、语言相关和一般认知发展延迟(Aoyagi 和 Tsuchiya,2019 年;Koutra 等人,2013 年 ),以及自闭症谱系障碍风险增加(Chen 等人,2021 年 )。 考虑到 PPD 对母亲和儿童造成的严重伤害,PPD 已成为一个重大的公共卫生问题,因为它导致妇女、家庭甚至整个国家的疾病负担增加。因此,为了降低 PPD 的患病率,应实施早期预防和治疗的干预措施。
尽管目前正在关注 PPD,但其病理生理学还不够明确,无法根据其病因属性进行预防。此外,PPD 已被证明受多种因素影响,包括人口统计学(例如,年龄和教育程度)(Doke 等人,2021 年;Matsumura et al., 2019)、社会心理(例如, 社会支持和亲密暴力)(Desta et al., 2021)、生物学(例如 ,甲状腺功能和血脂)(Minaldiet al., 2020;Shi et al., 2020;Sylven 等人,2013 年)和产科相关因素(例如早产和剖宫产)(Baba 等人,2021 年;de Paula Eduardo et al., 2019)。此外,隐匿性发作和异质性症状表现使 PPD 的早期检测极具挑战性。因此,多位研究人员试图整合相关的风险因素并开发 PPD 预测模型,旨在预测 PPD 风险并评估旨在预防其的方法的有效性。
机器学习 (ML) 是人工智能的一个分支,是一个通用术语,包含用于通过从输入数据中提取隐藏规律和分布来预测和确定未知现象轨迹的技术。ML 技术可分为基于监督学习、无监督学习和强化学习的技术(Shehab et al., 2022)。监督学习是指使用标记数据来训练可用于预测新数据标签的模型,无监督学习是指从未标记的数据中学习内部模式和有效模式,强化学习涉及使用学习算法根据特定环境的规则做出决策(Cho et al., 2022 年)。
在过去的几十年里,ML 技术以 logistic 回归和 Cox 回归的形式用于医疗环境。此类模型易于解释,因为它们包含具有指定 “权重” 的特征。然而,研究人员经常将 “体重” 过度解释为因果关系,而不仅仅是关联。目前,现代 ML 技术涉及重新定位中心目标,允许灵活的预测,而不仅仅是医学上的解释,从而能够使用黑盒算法来调解风险特征和结果之间的联系(Bishara et al., 2022)。近年来,ML 技术已广泛用于疾病风险预测,例如心血管疾病(Wegner 等人,2022 年)、谵妄(Bishara 等人,2022 年)和糖尿病(Zou 等人,2022 年)。
据我们所知,已经进行了几项关于用于预测 PPD 的 ML 技术的研究,并且最近发表了一篇总结相关研究结果的文献综述(Cellini 等人,2022 年)。然而,文献综述并不全面,因为作者只考虑了依赖于临床结构数据的研究,而忽略了使用社交媒体文本或发声数据的研究。此外,文献综述的作者没有评估纳入研究的质量,这意味着现有模型的偏倚风险和临床适用性仍不清楚,这引发了对将研究结果转化为实践的可行性的担忧。因此,考虑到上述不足,本研究旨在基于多种数据类型,全面总结使用 ML 技术的 PPD 预测研究,根据预测模型偏倚风险评估工具 (PROBAST) 评估模型开发和验证的过程质量,并提取纳入研究中高频的 PPD 风险预测因子, 为后续研究提供方法学支持,确保 ML 方法在预测疾病风险方面的合理应用。
2. Method 2. 方法
本系统评价是根据乔安娜布里格斯研究所系统评价指南进行的。为了促进可重复的报告,我们的结果根据系统评价和荟萃分析的首选报告项目 (PRISMA) 指南(Page et al., 2021)呈现。
2.1. Search strategy 2.1. 检索策略
我们检索了八个健康科学数据库:PubMed、EMBASE、Web of Science、Cochrane Library、中国知网(China National Knowledge Infrastructure, CNKI)、万方数据库、中国科技期刊数据库(China Science and Technology Journal Database, VIP)和中国生物医学光盘(China Biology Medicine disc, CBM)。检索旨在确定涉及使用基于 ML 的模型预测从建库之日到 2022 年 3 月的 PPD 风险的研究。此外,我们回顾了每项研究的参考文献列表,以找到更相关的研究。检索策略使用医学主题词 (MeSH) 检索词和自由词形成,如下所示:(“抑郁症,产后” OR “产后抑郁症” OR “产后抑郁症” OR “产后抑郁症” OR “产后抑郁症”) AND (“预测模型” OR “风险模型” OR “风险预测模型” OR “风险分层模型”) AND (“机器学习” OR “逻辑回归” OR “决策树” OR “贝叶斯网络” OR “朴素贝叶斯” OR “K 最近邻” OR “随机森林” OR “支持”向量机“或”人工神经网络“或”AdaBoost“或”XGBoost“或”梯度提升机“或”深度学习”)。
2.2. Inclusion and exclusion criteria
2.2. 纳入和排除标准
纳入的研究是 (1) 旨在识别有 PPD 症状或有 PPD 风险的患者,(2) 开发或验证了基于 ML 技术的预测 PPD 的模型,这些模型可以在 Scikit Learn 包中找到或被作者声明属于 ML 领域,(3) 报告了拟议的基于 ML 的模型的性能, (4) 通过同行评审过程以英文和中文发表的原始研究。我们排除了以下研究:(1)缺乏可用的全文,(2)是会议摘要、综述、系统评价或 meta 分析,以及(3)涉及动物实验。
2.3. Study selection 2.3. 研究选择
将上述数据库中的初始引文和记录导入 EndNote 20 软件。然后,软件会识别并删除所有重复的研究。结果文章的标题和摘要由两名研究者根据资格标准独立筛选。有关研究纳入的任何差异均通过讨论或转介给第三位研究者来解决。
2.4. Data extraction 2.4. 数据提取
使用预测建模研究 (CHARMS) 系统评价的严格评估和数据提取清单从所有已确定的研究中提取数据(Moons et al., 2014)。变量包括研究、国家、语言、参与者(数据源、样本量和合格标准)、结果(分类方法和测量时间)、ML 技术、最终预测因子、数据处理(数字和分类变量以及缺失值)、数据拆分(训练、验证和测试集)、模型优化(特征选择和超参数值选择)、模型验证状态(内部和/或外部)、模型翻译、 和模型性能指标。两名研究者独立提取数据,并在必要时在第三名研究者的帮助下通过讨论解决差异。
2.5. Risk of bias and applicability assessment
2.5. 偏倚风险和适用性评估
PROBAST 用于评估研究中提出的预测模型的偏倚风险(Moons et al., 2019)。该工具包含四个领域的 20 个信号问题:(1) 参与者,(2) 预测变量,(3) 结果和 (4) 分析。每个领域的偏倚风险都被评为 “低”、“ 高 ”或 “不清楚”。四个领域的评级导致了偏倚风险的总体确定。如果每个领域的分数都较低,则分配较低的总体偏倚风险。如果确定至少一个领域具有高偏倚风险,则分配高总体偏倚风险。如果至少有一个领域被认为不明确,而所有其他领域的偏倚风险都较低,则确定不明确的总体偏倚风险。同样,两名研究者评估了所涉研究的质量,并通过讨论或转介给第三名研究者来解决差异。
2.6. Data synthesis 2.6. 数据合成
为了综合纳入的研究,以叙述性报告的形式进行了描述性分析。需要注意的是,由于研究中报告的实施指标明显不一致,因此无法进行定量分析 ,例如荟萃分析。
3. Results 3. 结果
3.1. Summary of the studies
3.1. 研究总结
通过数据库检索 (n = 764) 和追踪其他参考文献 (n = 7) 共确定了 771 篇文章。接下来,删除了 43 个重复项,根据标题和摘要过滤了 700 个,根据全文的可用性排除了 11 个。最后,纳入了 17 项研究进行偏倚和适用性风险评估以及数据综合(Amit et al., 2021;Andersson 等人,2021 年;Fang, 2019;Fatima et al., 2019;Gabrieli et al., 2020;Hochman 等人,2021 年;Jimenez-Serrano 等人,2015 年;Natarajan et al., 2017;Park 等人,2021 年;Payne et al., 2020;Shatte 等人,2020 年;Shin et al., 2020;Tortajada et al., 2009;S. Wang et al., 2019;Xiao et al., 2020;Zhang et al., 2020;Zhang et al., 2021)。筛选过程如图 1 所示。

Fig. 1. Article screening and selection from literature search to final sample.
图 1.从文献检索到最终样本的文章筛选和选择。
3.2. General characteristics of the studies
3.2. 研究的一般特征
3.2.1. Publication status
3.2.1. 发布状态
表 1 列出了 17 项研究的一般特征。这些研究于 2009 年至 2021 年间发表,在过去三年中发表量显著增加( 图 2)。研究分布在 10 个国家/地区,其中 6 项在美国进行 (35%),3 项在中国进行 (17%)( 图 3)。其中,15 篇文章是英文写的,2 篇是中文写的。
Table 1. Characteristics of the included studies (N = 17).
表 1.纳入研究的特征 (N = 17)。
Study 研究 | Country; language 国家;语言 | Participants 参与者 | Outcome (PPD) 结果 (PPD) | ML methods ML 方法 | Final predictors | ||
---|---|---|---|---|---|---|---|
Data source 数据源 | Eligible criteria 资格条件 | Classification 分类 | Measurement time 测量时间 | ||||
Amit et al., 2021 Amit 等人,2021 年 | UK; English 英国;英语 | An EHR dataset; n = 266,544 EHR 数据集;n = 266,544 | Women: 女人:
| One of the following: 以下选项之一:
| 1 year postpartum 产后 1 年 | GBM | ic features Clinical Obstetric |
Zhang et al., 2021 Zhang et al., 2021 | USA; English 美国;英语 | Two EHR datasets; n1 = 15,197, n2 = 53,972 两个 EHR 数据集;n1 = 15,197,n2 = 53,972 | Women: 女人:
|
| 1 year postpartum 产后 1 年 | LR LR 的 RF 射频 DT 德语 XGBoost MLP | Demographic Psychosocial Clinical Obstetric |
Hochman et al., 2021 Hochman 等人,2021 年 | Israel; English 以色列;英语 | An EHR dataset; n = 214,359 EHR 数据集;n = 214,359 | Women: 女人:
|
| 1 year postpartum 产后 1 年 | XGBoost | Demographic Obstetric Biological |
Park et al., 2021 Park 等人,2021 年 | USA; English 美国;英语 | IBM MarketScan Medicaid Database; n = 573,634 IBM MarketScan 医疗补助数据库;n = 573,634 | Women: 女人:
| ICD-9/10 or AD prescription ICD-9/10 或 AD 处方 | 60 days postpartum 产后 60 天 | LR LR 的 RF 射频 XGBoost | Demographic Clinical Obstetric Health care utilization |
Andersson et al., 2021 Andersson 等人,2021 年 | Sweden; English 瑞典;英语 | A prospectively cohort study; n = 4313 一项前瞻性队列研究;n = 4313 | Women: 女人:
| EPDS≥12 | 6 weeks postpartum 产后 6 周 | RR LASSO GBM DRF XRT NB SE | Clinical Psychosocial |
Gabrieli et al., 2020 Gabrieli 等人,2020 年 | Singapore; English 新加坡;英语 | A cry vocalizations dataset used in a previous prospectively cohort study; n = 56 先前前瞻性队列研究中使用的哭泣发声数据集;n = 56 | Women: 女人:
|
| 5 months postpartum 产后 5 个月 | C-ML | Acoustic Demographic |
Shatte et al., 2020 Shatte 等人,2020 年 | Australia; English 澳大利亚;英语 | Reddit text posts; n = 365 Reddit 文本帖子;n = 365 | Fathers who reported birth events on the forum Reddit. 在论坛 Reddit 上报告出生事件的父亲。 | Postpartum changes in fathers' use of depression symptom terms 父亲对抑郁症状术语使用的产后变化 | 6 weeks postpartum 产后 6 周 | SVM | Linguistic features (behavior, emotion, linguistic style, and discussion topics) |
Zhang et al., 2020 Zhang et al., 2020 | China; English 中国;英语 | A prospectively cohort study; n = 508 一项前瞻性队列研究;n = 508 | Women who were over than 18 years old and <13 gestation weeks 18 岁以上且妊娠 <13 周的女性 | EPDS≥9.5 | 6 weeks postpartum 产后 6 周 | E-RF F-RF E-SVM F-SVM | Demographic Clinical Psychosocial |
Xiao et al., 2020 Xiao et al., 2020 | China; Chinese 中国;中文 | A prospectively cohort study; n = 406 一项前瞻性队列研究;n = 406 | Women: 女人:
| EPDS | 6 weeks postpartum 产后 6 周 | RF | Demographic Psychosocial Obstetric Biological |
Shin et al., 2020 Shin et al., 2020 | USA; English 美国;英语 | the Pregnancy Risk Assessment Monitoring System data; n = 28,755 妊娠风险评估监测系统数据;n = 28,755 | Women who gave a live birth 活产的妇女 | PHQ-2 (at least 1 positive answer) PHQ-2 (至少 1 个肯定答案) | 1 year postpartum 产后 1 年 | RF 射频 SVM GBM AdaBoost NB 铌 RPART RPART 系列 KNN LR LR 的 NNET | Demographic Psychosocial Clinical Obstetric |
Payne et al., 2020 Payne 等人,2020 年 | USA; English 美国;英语 | Four prospectively collected cohorts data; n1 = 51, n2 = 53, n3 = 113, n4 = 68 四个前瞻性收集的队列数据;n1 = 51,n2 = 53,n3 = 113,n4 = 68 | No information 没有信息 | EPDS≥13 | 4–6 weeks postpartum 产后 4-6 周 | SVM | Psychosocial Biological |
; S. Wang et al., 2019 ;S. Wang 等人,2019 年 | USA; English 美国;英语 | A EHR dataset; n = 9980 EHR 数据集;n = 9980 | Women: 女人:
|
| 1 year postpartum 产后 1 年 | SVM LR LR 的 RF 射频 NB 铌 XGBoost DT 德语 | Demographic Psychosocial Clinical |
Fatima et al., 2019 Fatima 等人,2019 年 | Saudi Arabia; English 沙特阿拉伯;英语 | Reddit text posts; n = 21 Reddit 文本帖子;n = 21 | Women: 女人:
| Linguistic feature 语言特征 | – | LR SVM MLP | Linguistic feature |
Fang, 2019 方, 2019 | China; Chinese 中国;中文 | A cross-sectional data; n = 2396 横截面数据;n = 2396 | Women: 女人:
| EPDS ≥10 | 4–6 weeks postpartum 产后 4-6 周 | BN NB DT RF ANN SVM LR | Demographic Psychosocial Obstetric |
Natarajan et al., 2017 Natarajan et al., 2017 | USA; English 美国;英语 | Facebook and Twitter survey data; n=173Facebook and Twitter Facebook 和 Twitter 调查数据;n=173Facebook 和 Twitter survey data; n = 173 调查数据;n = 173 | Women: 女人:
| PHQ-2 (at least 1 positive answer) PHQ-2 (至少 1 个肯定答案) | 1 year postpartum 产后 1 年 | FGB NB 铌 DT 德语 SVM AdaBoost Bagging 装袋 LR LR 的 | Demographic Psychosocial Pediatric |
Jimenez-Serrano et al., 2015 Jimenez-Serrano 等人,2015 年 | Spanish; English 西班牙语;英语 | A prospectively cohort study; n = 1397 一项前瞻性队列研究;n = 1397 | Women: 女人:
| Probable cases (EPDS≥9) were evaluated using the Spanish version of the Diagnostic Interview for Genetics Studies by clinical psychologists. 临床心理学家使用西班牙语版的遗传学研究诊断访谈 (EPDS≥9) 对可能病例 (EPDS9) 进行评估。 | 1 week postpartum 产后 1 周 | NB LR SVM ANN | Demographic Psychosocial Obstetric |
Tortajada et al., 2009 Tortajada 等人,2009 年 | Spanish; English 西班牙语;英语 | A prospectively cohort study; n = 1397 一项前瞻性队列研究;n = 1397 | Women: 女人:
| Probable cases (EPDS≥9) were evaluated using the Spanish version of the Diagnostic Interview for Genetics Studies by clinical psychologists. 临床心理学家使用西班牙语版的遗传学研究诊断访谈 (EPDS≥9) 对可能病例 (EPDS9) 进行评估。 | 32 weeks postpartum 产后 32 周 | ANN | Demographic Psychosocial Obstetric Biological |
备注: AD:抗抑郁药;ANN: 人工神经网络;AdaBoost:自适应提升;BDI-II:贝克抑郁量表-第二版;BN:贝叶斯网络;C-ML:基于云的机器学习;DT:决策树;DRF: 分布式随机森林;EHR:电子健康记录;EPDS:爱丁堡产后抑郁量表;E-RF:使用随机森林算法构建模型,并进行专家咨询;E-SVM:使用支持向量机算法和专家咨询构建的模型;F-RF:使用随机森林算法和基于随机森林的滤波器特征选择方法构建的模型;F-SVM:使用支持向量机算法和基于随机森林的过滤特征选择方法构建的模型;FGB: 功能梯度提升;GBM: 梯度提升机;ICD:国际疾病分类;KNN:K-最近邻;LR: logistic 回归;LASSO:最小绝对收缩和选择运算符;ML:机器学习;MLP: 多层感知器;注意:朴素贝叶斯;NNET: 神经网络;PPD : 产后抑郁;PHQ-2:患者健康问卷 2;RF: 随机森林;RPART: 递归分区和回归树;RR: ridge 回归;SCID-I:DSM-IV 轴 I 障碍的结构化临床访谈;SVM: 支持向量机;SE:堆叠集成;XGBoost:极端梯度提升;XRT:极端随机森林。

Fig. 2. The line chart of publication year of included studies.
图 2.纳入研究的出版年份的折线图。

Fig. 3. The country distribution of included studies.
图 3.纳入研究的国家分布。
3.2.2. Data source and sample size
3.2.2. 数据源和样本量
在所有研究中,有三个数据源,包括电子健康记录 (EHR) 或医疗系统数据库 (6/17, 35 %)、 临床研究数据 (9/17, 53 %) 和社交媒体数据 (2/17, 12 %)。每个数据源的总样本量范围为 9980 到 69,169、56 到 4313 和 21 到 365。值得注意的是,Zhang et al. (2021) 和 S. Wang et al. (2019) 使用相同的数据源(S. Wang et al., 2019;Zhang 等人,2021 年),Jimenez-Serrano 等人(2015 年) 和 Tortajada 等人(2009 年)(Jimenez-Serrano 等人,2015 年;Tortajada et al., 2009)。在这些研究中,16 项以女性为目标人群,1 项以男性为目标人群。参与者的资格标准在年龄、种族、精神和不良产科病史、医学诊断和胎次方面存在异质性。所有研究都明确定义了他们的研究人群和数据来源;然而,没有人证明他们的样本量是合理的。
3.2.3. Outcome measurement
3.2.3. 结局测量
在 17 项研究中,预测 PPD 风险的结局变量主要从以下几个方面确定: (1) 病历中 PPD 的具体诊断、ICD-9/10 代码或抗抑郁药处方 (5/17, 29 %);(2) PPD 筛查量表,如爱丁堡产后抑郁量表 (EPDS, 5/17, 29 %)、贝克抑郁量表-II (BDI-II, 1/17, 6 %) 和患者健康问卷-2 (PHQ-2, 2/17, 12 %);(3) 以精神科医生临床访谈的形式对使用上述量表筛选的可能病例进行进一步评估 (2/17, 12 %);(4) 其他非正式方法,例如文本帖子的语言特征 (2/17, 12 %)。六项研究 (35%) 测量了产后一年患者患 PPD 的风险,六项研究 (35%) 在产后六周,一项 (6%) 在产后一周,一项 (6%) 在产后 32 周,其余三项研究 (17%) 在产后 60 天、五个月和产后或之后的未知时间段, 分别。
3.2.4. ML-based prediction model
3.2.4. 基于 ML 的预测模型
总共有 17 项研究使用了 21 种类型的 ML 技术来建立 62 种基于 ML 的模型来预测 PPD 风险。5 项研究(29%)只使用了一种 ML 技术,而其余 12 项研究(71%)使用了 3 至 9 种 ML 技术。如图 4 所示,最常用的 ML 技术是支持向量机 (SVM, Fre = 10),其次是随机森林 (RF, Fre = 8) 和逻辑回归 (LR, Fre = 8)。其他 ML 技术包括朴素贝叶斯 (NB, Fre = 6)、人工神经网络 (ANN, Fre = 5)、决策树 (DT, Fre = 4) 和 eXtreme Gradient Boosting (XGBoost, Fre = 4) 等。

Fig. 4. The frequency of ML techniques used in predicting PPD risk across included studies.
图 4.纳入研究中用于预测 PPD 风险的 ML 技术的频率。
注意: SVM:支持向量机。RF:随机森林。LR:逻辑回归。 注: 朴素贝叶斯。ANN:人工神经网络。DT: 决策树 。XGBoost:eXtreme Gradient Boosting。GBM:梯度提升树。AdaBoost:自适应提升。FGB:功能梯度提升。RR: 岭回归。DRF:分布式随机森林。XRT:极端随机森林。SE:堆叠集成。LASSO:最小绝对收缩率和选择运算符。BN:贝叶斯网络。KNN:K 最近邻。RPART: 递归分区 。NNET:神经网络。C-ML:基于云的机器学习。
3.2.5. Predictors 3.2.5. 预测变量
如表 1 所示,大多数研究包括人口统计学、社会心理、临床和产科预测因素。四项研究 (24%) 考虑了生物预测因子,两项研究 (12%) 侧重于患者社交媒体帖子的语言特征以进行预测,一项研究 (6%) 使用从婴儿哭声中获得的声学特征。我们总结了在所有研究中至少纳入 3 次的 18 个预测因子( 表 2),并在人口统计学领域(产妇年龄、种族、教育程度、收入、婚姻状况和吸烟)发现了 6 个预测因子,在社会心理领域(怀孕期间的抑郁、孕前抑郁史/诊断、怀孕期间的焦虑和压力/压力生活事件),在产科领域发现了 4 个预测因子(新生儿性别、 分娩方式、胎次和分娩胎龄),临床领域有 4 项(孕前体重指数 [BMI]、抗抑郁药使用、甲状腺功能障碍和睡眠状态)。
Table 2. Summary of risk predictors for PPD that were included at least three times in all studies.
表 2.在所有研究中至少纳入 3 次的 PPD 风险预测因子总结。
Predictors (frequency ≥ 3) 预测变量(频率≥ 3) | Amit et al., 2021 Amit 等人,2021 年 | Zhang et al., 2021 Zhang et al., 2021 | Hochman et al., 2021 Hochman 等人,2021 年 | Park et al., 2021 Park 等人,2021 年 | Andersson et al., 2021 Andersson 等人,2021 年 | Gabrieli et al., 2020 Gabrieli 等人,2020 年 | Shatte et al., 2020 Shatte 等人,2020 年 | Zhang et al., 2020 Zhang et al., 2020 | Xiao et al., 2020 Xiao et al., 2020 | Shin et al., 2020 Shin et al., 2020 | Payne et al., 2020 Payne 等人,2020 年 | S. Wang et al., 2019 S. Wang 等人,2019 年 | Fatima et al., 2019 Fatima 等人,2019 年 | Fang, 2019 方, 2019 | Natarajan et al., 2017 Natarajan et al., 2017 | Jimenez-Serrano et al., 2015 Jimenez-Serrano 等人,2015 年 | Tortajada et al., 2009 Tortajada 等人,2009 年 | Total 总 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Demographic factors 人口因素 | ||||||||||||||||||
Maternal Age 产妇年龄 | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | 11 | ||||||
Ethnicity/race 民族/种族 | √ | √ | √ | √ | √ | √ | √ | 7 | ||||||||||
Maternal education 母亲教育 | √ | √ | √ | √ | √ | √ | 6 | |||||||||||
Income 收入 | √ | √ | √ | √ | √ | 5 | ||||||||||||
Marital status 婚姻状况 | √ | √ | √ | √ | 4 | |||||||||||||
Smoking 吸烟 | √ | √ | √ | 3 | ||||||||||||||
Psychosocial factors 社会心理因素 | ||||||||||||||||||
Depression during pregnancy 怀孕期间的抑郁症 | √ | √ | √ | √ | √ | √ | √ | √ | √ | √ | 10 | |||||||
Pre-pregnancy depression history/diagnosis 孕前抑郁症病史/诊断 | √ | √ | √ | √ | √ | √ | 6 | |||||||||||
Anxiety during pregnancy 怀孕期间的焦虑 | √ | √ | √ | √ | √ | 5 | ||||||||||||
Stress/stressful life events 压力/压力大的生活事件 | √ | √ | √ | √ | √ | 5 | ||||||||||||
Obstetric factors 产科因素 | ||||||||||||||||||
Gender/gender expectation of newborn 新生儿的性别/性别期望 | √ | √ | √ | √ | √ | √ | 6 | |||||||||||
Mode of delivery 交货方式 | √ | √ | √ | √ | 4 | |||||||||||||
Parity/primigravida 产次/primigravida | √ | √ | √ | √ | 4 | |||||||||||||
Gestational age at delivery 分娩胎龄 | √ | √ | √ | 3 | ||||||||||||||
Clinical factors 临床因素 | ||||||||||||||||||
Pre-pregnancy BMI 孕前 BMI | √ | √ | √ | √ | 4 | |||||||||||||
Antidepressant use 抗抑郁药的使用 | √ | √ | √ | √ | 4 | |||||||||||||
Thyroid dysfunction 甲状腺功能障碍 | √ | √ | √ | 3 | ||||||||||||||
Sleep status 睡眠状态 | √ | √ | √ | 3 |
3.3. Model development and validation process
3.3. 模型开发和验证过程
3.3.1. Study types 3.3.1. 研究类型
表 3 列出了模型开发过程和研究中使用的验证方法 。我们根据研究对基于 ML 的模型预测 PPD 风险的贡献,将这些研究分为三类。这些研究如下:(1) 开发和验证基于 ML 的模型的研究 (2) 改进现有 ML 算法以构建模型的研究,以及 (3) 提出创新 ML 方法来构建模型的研究。在这 17 项研究中,15 项 (88 %) 属于第一类,1 项 (6 %) 属于第二类,1 项 (6 %) 属于第三类。
Table 3. The process of model development and validation across all studies.
表 3.所有研究的模型开发和验证过程。
Study 研究 | Data processing 数据处理 | Data splitting 数据拆分 | Model optimization 模型优化 | Model validation | Model translation | ||||||
---|---|---|---|---|---|---|---|---|---|---|---|
Numeric variables 数值变量 | Categorical variables 分类变量 | Missing value 缺失值 | Training set 训练集 | Validating set 验证集 | Testing set 测试集 | Feature selection 功能选择 | Hyperparameter value selection | Internal | External | ||
Type 1 类型 1 | |||||||||||
Amit et al., 2021 Amit 等人,2021 年 | — | One-hot encoding 独热编码 | Mean imputation 均值插补 |
|
| Holdout set: 5959 保持集:5959 | —; 69 —;69 | — | Random split validation (pooled 3-fold CV) |
| — |
Zhang et al., 2021 Zhang et al., 2021 | Normalization 正常化 | Dummy encoding 虚拟编码 | Mean imputation 均值插补 | WCM data (80 %): 12,158 (5-fold CV) WCM 数据 (80 %):12,158 (5 倍 CV) | WCM data (20 %): 3039 WCM 数据 (20 %): 3039 | CDRN set: 53,972 CDRN 集:53,972 | SFS; 32 SFS;32 | Grid search | Random split validation (pooled 5-fold CV) | Geographical validation | — |
Hochman et al., 2021 Hochman 等人,2021 年 | — | — | XGBoost automatic handling XGBoost 自动搬运 | 2008–2014 data (80 %): 148,023 2008-2014 年数据 (80 %):148,023 | 2008–2014 data (20 %): 37,006 2008-2014 年数据 (20 %):37,006 | 2015 Data: 29,330 2015 年数据:29,330 | SHAP; 156 十八;156 | — | Random split validation | Temporal validation | — |
Andersson et al., 2021 Andersson 等人,2021 年 | Normalization 正常化 | Binary encoding 二进制编码 | MICE |
| — | — | MDI; 29 MDI;29 | — | — | — | — |
Gabrieli et al., 2020 Gabrieli 等人,2020 年 | NA | NA | Data augmentation 数据增强 | 80 % data: 1131 80 % 数据: 1131 | 10 % data: 141 10 % 数据: 141 | 10 % data: 141 10 % 数据: 141 | Praat software for voice analysis; 5 用于语音分析的 Praat 软件;5 | — | Random split validation | — | — |
Shatte et al., 2020 Shatte 等人,2020 年 | NA | NA | — | 365 (10-fold CV) 365(10 倍 CV) | — | Linear support vector classification; 59 线性支持向量分类;59 | — | 10-Fold CV | — | — | |
Zhang et al., 2020 Zhang et al., 2020 | — | — | — | 75 % data: 381 (5-fold CV) 75 % 数据:381 (5 倍 CV) | 25 % data: 127 25 % 数据: 127 | — |
| — | Random split validation (pooled 5-fold CV) | — | — |
Xiao et al., 2020 Xiao et al., 2020 | — | — | — | 66.5 % data: 270 66.5 % 数据: 270 | 33.5 % data: 136 33.5 % 数据: 136 | — | UA; 49 UA;49 | — | Bootstrap | — | — |
Shin et al., 2020 Shin et al., 2020 | — | — | — |
| — | Relief 救济 Set1: 99 第 1 组:99 Set2: 86 第 2 组:86 Set3: 95 第 3 组:95 47 common features 47 个常见功能 | — | Random split validation | — | — | |
Payne et al., 2020 Payne 等人,2020 年 | — | — | — | Cohort 1 队列 1 Data: 51 数据: 51 | Cohort 3 队列 3 Data: 113 数据:113 | Cohort 4 队列 4 Data: 68 数据:68 | —; 3 —;3 | — | LOOCV | Geographical validation | — |
; S. Wang et al., 2019 ;S. Wang 等人,2019 年 | — | — | — | 9980 (10-fold CV) 9980 (10 倍 CV) | — | UA; 98 UA;98 | — | 10-Fold CV | — | — | |
Fatima et al., 2019 Fatima 等人,2019 年 | NA | NA | — | 67.33 % Data: 2172 (10-fold CV) 数据:2172(10 倍 CV) | 32.67 % data: 1049 32.67 % 数据: 1049 | — | LASSO; 20 套索;20 | — | — | — | — |
Fang, 2019 方, 2019 | Normalization 正常化 | One-hot encoding 独热编码 | Mean or Mode imputation 均值或众数插补 | 2396 (10-fold CV) 2396 (10 倍 CV) | — | UA; 21 UA;21 | — | 10-Fold CV | — | — | |
Jimenez-Serrano et al., 2015 Jimenez-Serrano 等人,2015 年 | Normalization 正常化 | Dummy encoding 虚拟编码 | Mode imputation 模式插补 | 72 % data: 1006 72 % 数据: 1006 | 8 % data: 112 8 % 数据: 112 | 20 % data: 279 20 % 数据:279 | —; 11 —;11 | Grid search | Random split validation | — | Android application |
Tortajada et al., 2009 Tortajada 等人,2009 年 | Normalization 正常化 | Dummy encoding 虚拟编码 | Mode imputation 模式插补 | 72 % data: 1006 72 % 数据: 1006 | 8 % data: 112 8 % 数据: 112 | 20 % data: 279 20 % 数据:279 | Pruning; 16 修剪;16 | — | Random split validation | — | — |
Type 2 类型 2 | |||||||||||
Park et al., 2021 Park 等人,2021 年 | — | — | — |
| —; 71 —;71 | — | Random split validation | Temporal validation | — | ||
Type 3 类型 3 | |||||||||||
Natarajan et al., 2017 Natarajan et al., 2017 | — | — | — | 173 (5-fold CV) 173 (5 倍 CV) | — | —; 11 —;11 | — | 5-Fold CV | — | Visualize tree |
注:“—”表示无信息;BP:背景和怀孕;CDRN:纽约市临床数据研究网络数据;CV:交叉验证;GBT: 梯度提升树;LASSO:最小绝对收缩和选择运算符;MICE:通过链式方程进行多变量插补;MDI: 杂质平均减少;NA:不适用;基于射频的 FFS:基于森林的随机滤波器特征选择;SFS:顺序正向选择;SHAP:Shapley 加法解释;UA: 单因素分析 ;WCM:威尔康奈尔医学院。
3.3.2. Data pre-processing
3.3.2. 数据预处理
大多数研究 (12/17, 71%) 没有完全描述训练数据的预处理方式。大约 29% (5/17) 的研究对数字变量进行了归一化。六项研究介绍了其中使用的分类变量的处理方法,其中 50% (3/6) 使用独热编码,33% (2/6) 使用虚拟编码,17% (1/6) 使用二进制编码(未知类型)。各种技术,包括常数值插补 (5/17;29 %)、多重插补 (1/17;6 %)、XGBoost 自动处理 (1/17;6 %) 和数据增强 (1/17;6 %),被用来解决缺失数据的问题。大约 53% (9/17) 的研究被怀疑是完整的病例,因为它们没有报告缺失数据。
3.3.3. Data splitting 3.3.3. 数据切分
为避免对性能进行乐观估计,必须将数据集拆分为训练集、验证集和测试集。所有研究都报告了数据拆分的状态,其中 8 项研究 (47%) 将涉及的数据分为上述三组,8 项研究 (47%) 将数据分为训练集和验证集,1 项研究 (6%) 只有训练集。训练集的样本量从 51 到 178,017 不等,验证集从 113 到 86,862 不等,测试集从 68 到 53,972 不等。在我们的综述中,数据通过以下方式进行分割:(1) 以适当的比例或比例,例如 4:1;(2) 基于位置或时间属性,例如地理分割和时间分割;(3) 使用重采样技术,例如引导和交叉验证;(4) 基于从不同研究或机构获得的方面或属性。
3.3.4. Model optimization
3.3.4. 模型优化
在这 17 项研究中,12 项 (71 %) 研究报告了各种特征选择方法。这些方法包括顺序前向选择 (SFS)、 单变量分析 、用于测量变量重要性的基于模型的方法(例如 Shapley 加法解释 [SHAP] 和杂质平均减少 [MDI])、用于语音分析的 Praat 软件、线性支持向量分类、基于 RF 滤波器的特征选择、救济(特征选择)算法、 最小绝对收缩和选择运算符基于 (LASSO) 的回归算法、修剪算法以及文献综述和专家咨询中使用的其他非统计方法等。每项研究选择的特征数量从 3 到 156 个不等。关于超参数选择,只有两项研究报告使用网格搜索方法来优化相关参数。
3.3.5. Model validation 3.3.5. 模型验证
模型的内部验证通常通过数据拆分和重采样方法进行,包括随机拆分验证、 K-Fold 交叉验证和 bootstrap。外部验证是指使用模型开发中未使用的数据对预测模型进行评估,包括地理验证、时间验证和域验证(J. Wang et al., 2019)。在这 17 项研究中,5 项 (29%) 涉及内部和外部验证,12 项 (71%) 缺乏外部验证。在专注于模型开发和内部验证的研究中,6 项仅使用随机拆分验证,4 项使用随机拆分验证(合并 K-Fold 交叉验证),4 项仅使用 K-Fold 交叉验证 (K = 3、5、10),2 项使用自举方法,1 项使用留一法交叉验证 (LOOCV),1 项使用未知方法。在涉及相关模型外部验证的研究中,1 项使用地理、时间和维持集验证,2 项仅使用地理验证,2 项仅使用时间验证。
此外,只有两项研究试图使用从功能梯度提升机 (FGB) 中学习的一棵可视化树和一款移动应用程序,将拟议的基于 ML 的模型转化为临床工具。涉及基于 ML 的翻译模型的研究表明, 打算在未来的临床环境中测试此类模型。
3.4. Model performance 3.4. 模型性能
表 4 列出了具有不同测量时间预测 PPD 风险的最佳基于 ML 的模型的性能水平。17 项研究中报告的性能指标包括它们在受试者工作特征 (AUROC;15/17, 88 %)、Brier (1/17, 6 %)、敏感性或召回率 (16/17, 94 %)、特异性 (11/17,65 %)、准确性 (10/17, 59 %)、精确率 (7/17, 41 %)、阳性预测值 (PPV; 5/17, 29 %)、阴性预测值 (NPV; 5/17, 29 %) 和 F 分数 (3/17, 18%) 下的区域。用于预测产后 6 周 PPD 风险的 ML 技术包括基于 XRT 、 SVM 和 RF 的技术,其中 SVM 的频率 (Fre = 3) 和性能最高 (AUROC = 0.84)。用于预测产后 1 年 PPD 风险的 ML 技术包括基于 GBM 、 LR 、 XGBoost、 RF、SVM 和 FGB 的技术,其中基于梯度提升的算法频率最高 (Fre = 3),基于 FGB 的算法表现出最高水平的性能 (AUROC = 0.952)。
Table 4. Predicting performance for the best model for each study sort by outcome measurement time.
表 4.预测每项研究的最佳模型的性能,按结果测量时间排序。
Outcome measurement time 结果测量时间 | Validation status 验证状态 | Best-performing ML model 性能最佳的 ML 模型 | AUROC | Brier score Brier 评分 | SEN/REC 特殊教育需要/REC | SPE | ACC | PRE | PPV | NPV | F-score |
---|---|---|---|---|---|---|---|---|---|---|---|
1-week postpartum 产后 1 周 | |||||||||||
Jimenez-Serrano et al., 2015 Jimenez-Serrano 等人,2015 年 | I | NB | 0.75 | — | 0.72 | 0.73 | 0.73 | — | — | — | — |
6-week postpartum 产后 6 周 | |||||||||||
Andersson et al., 2021 Andersson 等人,2021 年 | I | XRT | 0.81 | — | 0.72 | 0.75 | 0.73 | — | 0.33 | 0.94 | — |
Shatte et al., 2020 Shatte 等人,2020 年 | I | SVM | — | 0.68 | — | 0.66 | 0.67 | — | — | 0.67 | |
Zhang et al., 2020 Zhang et al., 2020 | I | F-SVM | 0.78 | — | 0.69 | 0.83 | — | — | 0.68 | 0.84 | — |
Xiao et al., 2020 Xiao et al., 2020 | I | RF | 0.833 | — | 0.614 | 0.891 | 0.801 | — | 0.73 | 0.828 | — |
Payne et al., 2020 Payne 等人,2020 年 | I; E 我;E | SVM | 0.84 | — | — | — | — | — | — | — | — |
Fang, 2019 方, 2019 | I | BN | 0.763 | — | 0.717 | 0.799 | 0.717 | 0.714 | — | — | 0.714 |
60-day postpartum 产后 60 天 | |||||||||||
Park et al., 2021 Park 等人,2021 年 | I; E 我;E | XGBoost | 0.722 | — | 0.615 | — | 0.722 | 0.783 | — | — | — |
32-week postpartum 产后 32 周 | |||||||||||
Tortajada et al., 2009 Tortajada 等人,2009 年 | I | ANN | 0.84 | — | 0.78 | 0.85 | 0.84 | — | — | — | — |
5-month postpartum 产后 5 个月 | |||||||||||
Gabrieli et al., 2020 Gabrieli 等人,2020 年 | I | C-ML | 0.969 | — | 0.888 | — | 0.895 | 0.904 | — | — | — |
1-year postpartum 产后 1 年 | |||||||||||
Amit et al., 2021 Amit 等人,2021 年 | I; E 我;E | GBM | 0.844 | — | 0.764 | 0.80 | — | — | — | — | — |
Zhang et al., 2021 Zhang et al., 2021 | I; E 我;E | LR | 0.886 | 0.158 | 0.80 | 0.84 | — | — | 0.26 | 0.98 | — |
Hochman et al., 2021 Hochman 等人,2021 年 | I; E 我;E | XGBoost | 0.712 | — | 0.349 | 0.905 | — | — | 0.014 | 0.985 | 0.776 |
Shin et al., 2020 Shin et al., 2020 | I | RF | 0.884 | — | 0.732 | 0.865 | 0.791 | 0.839 | — | — | — |
; S. Wang et al., 2019 ;S. Wang 等人,2019 年 | I | SVM | 0.79 | — | 0.894 | 0.58 | — | — | — | — | — |
Natarajan et al., 2017 Natarajan et al., 2017 | I | FGB | 0.952 | — | 0.84 | — | — | 0.92 | — | — | — |
Unknown 未知 | |||||||||||
Fatima et al., 2019 Fatima 等人,2019 年 | I | MLP | — | — | 0.868 | — | 0.869 | 0.87 | — | — | — |
注:“—”表示无信息;ANN: 人工神经网络;AUROC: 接收者工作特性下的区域;Acc:精度;BN:贝叶斯网络;C-ML:基于云的机器学习模型;E: 外部验证;F-SVM:使用支持向量机算法和基于随机森林的过滤特征选择方法构建的模型;FGB: 功能梯度提升;GBM: 梯度提升机;I: 内部验证;LR: logistic 回归;ML:机器学习;MLP: 多层感知器 ;注意:朴素贝叶斯;NPV: 阴性预测值;PRE:精度;PPV: 阳性预测值;RF: 随机森林;Sen:敏感度;REC: 召回;SPE:特异性;SVM: 支持向量机;XGBoost:极端梯度提升;XRT:极端随机森林。
在评估基于 ML 的模型的预测性能时,判别和校准是需要考虑的两个关键方面。AUROC 评分可被视为预测二分类结果的模型的鉴别指数。五项专注于基于 ML 的模型内部验证的研究的 AUROC 评分中位数为 0.78 (范围:0.763-0.833),而一项关于基于 ML 的模型外部验证的研究的最佳 AUROC 评分为 0.84 (SVM) 产后 6 周抑郁症。在产后一年抑郁症的情况下,在涉及基于 ML 的模型内部验证的三项研究中,AUROC 评分中位数为 0.884(范围:0.79-0.952),在涉及此类模型外部验证的三项研究中,AUROC 评分中位数为 0.844(范围:0.712-0.89)。Brier 评分是基于 ML 的预测模型的有效校准指标,仅由 Zhang 等人(2021 年) 报道,基于 LR 的 ML 模型预测产后一年内 PPD 风险的评分为 0.16(参考值:0-0.25)。
表 5 列出了所有研究中提出的 21 种基于 ML 的模型的 AUROC 分数。在所有研究中,有 62 个基于 ML 的模型,AUROC 评分从 0.565 到 0.969 不等。我们总结了本综述中涉及的每种基于 ML 的模型的 AUROC 评分范围。基于 SVM 的模型得分为 0.651-0.864,基于 LR 的模型得分为 0.707-0.886,基于 RF 的模型得分为 0.70-0.884。其中,共有 20 个基于 ML 的模型的 AUROC 得分为 >0.8。基于 SVM- (3/20, 15 %) 和 RF- (3/20, 15 %)的 ML 模型最高,AUROC 评分为 >0.8,其次是基于 ANN (2/20, 10 %)、基于 DT (2/20, 10 %)和基于 GBM 的 ML 模型 (2/20, 10 %)。
Table 5. The frequency, AUROC range and the number of models with AUROC>0.8 for each type of ML techniques.
表 5.每种类型的 ML 技术的频率、AUROC 范围和具有 AUROC>0.8 的模型数量。
ML techniques ML 技术 | Frequency 频率 | Range of AUROC AUROC 的范围 | AUROC > 0.8 奥洛克 > 0.8 |
---|---|---|---|
SVM | 10 | 0.651–0.864 | 3 |
LR | 8 | 0.707–0.886 | 1 |
RF | 8 | 0.70–0.884 | 3 |
NB | 6 | 0.684–0.793 | 0 |
ANN/MLP | 5 | 0.66–0.887 | 2 |
DT | 4 | 0.66–0.902 | 2 |
GBM | 3 | 0.73–0.859 | 2 |
XGBoost | 4 | 0.712–0.77 | 1 |
AdaBoost | 2 | 0.784–0.857 | 1 |
FGB | 1 | 0.952 | 1 |
Bagging 装袋 | 1 | 0.565 | 0 |
RR | 1 | 0.79 | 0 |
DRF | 1 | 0.80 | 1 |
XRT | 1 | 0.81 | 1 |
SE | 1 | 0.80 | 1 |
LASSO | 1 | 0.80 | 1 |
BN | 1 | 0.763 | 0 |
KNN | 1 | 0.776 | 0 |
RPART | 1 | 0.789 | 0 |
NNET | 1 | 0.704 | 0 |
C-ML | 1 | 0.969 | 1 |
注:AUROC:接收器工作特性下的区域;ANN: 人工神经网络 ;BN:贝叶斯网络;C-ML:基于云的机器学习;DT:决策树;DRF: 分布式随机森林;FGB: 功能梯度提升;GBM: 梯度提升机;KNN:K-最近邻;LR: logistic 回归;LASSO:最小绝对收缩和选择运算符;ML:机器学习;MLP: 多层感知器;注意:朴素贝叶斯;NNET: 神经网络;RF: 随机森林;RPART:递归分区和回归树;RR: ridge 回归;SVM: 支持向量机;SE:堆叠集成;XGBoost:极端梯度提升;XRT:极端随机森林。
3.5. Risk of bias and applicability risk
3.5. 偏倚风险和适用性风险
表 6 列出了与研究中偏倚风险和适用性风险相关的结果。如图 5 所示,所有研究都表明存在高偏倚风险,这通常源于 “参与者” 和 “分析” 领域。具体来说,在 17 项研究中,8 项在参与者领域表现出高或不明确的偏倚风险,5 项在预测因子领域报告了这种偏倚,4 项报告了结果领域的偏倚风险,所有研究在分析领域都存在高偏倚风险。参与者域中的问题包括使用非队列或非嵌套病例对照数据以及排除潜在预测因子的亚组。预测因子领域的问题与定义不明确或在事先了解结果的情况下进行的评估有关。结果域中的问题与不明确或未适当的决定有关。分析领域中的问题涉及对缺失数据的处理存在明显缺陷、变量转换不明确、基于单变量分析的预测变量选择以及报告不充分。
Table 6. Results of bias and applicability risk assessment according to PROBAST.
表 6.根据 PROBAST 的偏倚和适用性风险评估结果。
Study 研究 | Risk of bias 偏倚风险 | Applicability 适用性 | Overall 整体 | ||||||
---|---|---|---|---|---|---|---|---|---|
Participants 参与者 | Predictors 预测 | Outcome 结果 | Analysis 分析 | Participants 参与者 | Predictors 预测 | Outcome 结果 | ROB | ROA | |
Amit et al., 2021 Amit 等人,2021 年 | High 高 | Low 低 | Low 低 | High 高 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 |
Zhang et al., 2021 Zhang et al., 2021 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 |
Hochman et al., 2021 Hochman 等人,2021 年 | High 高 | Low 低 | Low 低 | High 高 | High 高 | Low 低 | Low 低 | High 高 | High 高 |
Park et al., 2021 Park 等人,2021 年 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 |
Andersson et al., 2021 Andersson 等人,2021 年 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 |
Gabrieli et al., 2020 Gabrieli 等人,2020 年 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 | High 高 | Low 低 | High 高 | High 高 |
Shatte et al., 2020 Shatte 等人,2020 年 | Low 低 | Low 低 | High 高 | High 高 | Low 低 | High 高 | High 高 | High 高 | High 高 |
Zhang et al., 2020 Zhang et al., 2020 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 |
Xiao et al., 2020 Xiao et al., 2020 | High 高 | Low 低 | Low 低 | High 高 | High 高 | Low 低 | Low 低 | High 高 | High 高 |
Shin et al., 2020 Shin et al., 2020 | Low 低 | Unclear 清楚 | High 高 | High 高 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 |
Payne et al., 2020 Payne 等人,2020 年 | Unclear 清楚 | Unclear 清楚 | Low 低 | High 高 | High 高 | High 高 | Low 低 | High 高 | High 高 |
; S. Wang et al., 2019 ;S. Wang 等人,2019 年 | Low 低 | Unclear 清楚 | Low 低 | High 高 | Low 低 | Low 低 | Low 低 | High 高 | Low 低 |
Fatima et al., 2019 Fatima 等人,2019 年 | High 高 | High 高 | High 高 | High 高 | Low 低 | High 高 | High 高 | High 高 | High 高 |
Fang, 2019 方, 2019 | High 高 | Low 低 | Low 低 | High 高 | High 高 | Low 低 | Low 低 | High 高 | High 高 |
Natarajan et al., 2017 Natarajan et al., 2017 | Low 低 | Unclear 清楚 | High 高 | High 高 | Low 低 | Low 低 | High 高 | High 高 | High 高 |
Jimenez-Serrano et al., 2015 Jimenez-Serrano 等人,2015 年 | High 高 | Low 低 | Low 低 | High 高 | High 高 | Low 低 | Low 低 | High 高 | Low 低 |
Tortajada et al., 2009 Tortajada 等人,2009 年 | High 高 | Low 低 | Low 低 | High 高 | High 高 | Low 低 | Low 低 | High 高 | High 高 |
注:低:低偏倚风险(在回答的域中没有信号问题表明偏倚风险);高:高偏倚风险(该域中的 1 个或多个信令问题回答为表明偏倚风险);不清楚:偏倚风险不明确(域中的 1 个或多个信号问题回答不清楚);ROB:偏倚风险;ROA:适用性风险。

Fig. 5. The results of bias risk assessment across included studies.
图 5.纳入研究的偏倚风险评估结果。
如表 6 和图 6 所示,大多数研究 (9/17, 53%) 表明与适用性风险相关的高度担忧。这种担忧通常源于 “参与者” 和 “预测因子” 领域。具体来说,6 项研究涉及 “参与者” 领域的担忧,4 篇文章涉及 “预测因子” 领域的担忧,3 篇文章涉及 “结果” 领域的担忧,这与狭窄的纳入标准和预测因子或结果的定义不明确有关。

Fig. 6. The results of applicability risk assessment across included studies.
图 6.纳入研究的适用性风险评估结果。
4. Discussion 4. 讨论
4.1. Summary of findings 4.1. 调查结果总结
我们在 17 项研究中确定了 62 个基于 ML 的模型来预测 PPD 风险。然后,我们系统地回顾了基于 ML 的模型的开发和性能,之后我们评估了与所有研究相关的偏倚和适用性风险。对用于预测 PPD 风险的 ML 技术的研究兴趣显着增长,在过去三年中出版物数量大幅增加。除了预测产妇患 PPD 的风险外,人们还逐渐考虑父亲患 PPD 的风险。目前的研究通常侧重于产后 6 周内或产后 1 年内的 PPD 风险。用于预测 PPD 风险的基于 ML 的模型主要使用监督学习算法构建,具有多个预测因子,涉及人口统计学、社会心理、产科、临床和生物变量。大多数研究基于与预测 PPD 风险相关的基于 ML 的模型的开发和验证。一些研究侧重于基于 ML 的模型的改进和 ML 算法的创新。表现最佳的基于 ML 的模型在不同的 PPD 测量时间内存在差异,例如预测产后 6 周和 1 年 PPD 风险的 SVM 和 FGB。大约 1/3 的基于 ML 的模型实现了 <0.8 的 AUROC 分数,这表明现有模型的预测性能一般。此外,很少有研究将基于 ML 的模型转化为临床评估工具 。所有研究均表明,由于开发和验证过程或结果报告不全面,存在较高的偏倚风险和适用性风险。因此,目前的研究表明,基于 ML 技术预测 PPD 风险具有一定的潜力和可行性。 然而,在将研究结果转化为可应用于临床实践的实施之前,还有很长的路要走。
4.2. ML techniques applied
4.2. 应用的 ML 技术
根据基于 ML 的模型的总结,预测 PPD 风险最常用的 ML 算法是基于 SVM、RF 和 LR 的算法。SVM 是一种监督式 ML 算法或方法,它使用最少的输入数据来定义最大化两个类之间边距的超平面(Jimenez-Serrano et al., 2015)。适用于处理多特征和小样本问题,具有抗噪声、学习效率高、泛化性好等优点(Zhang et al., 2020)。RF 是一个集成分类器,它结合了多个决策树的预测,并输出由大多数决策树投票的类(Xiao et al., 2020)。它也适用于高维特征问题,具有对缺失数据敏感度低、无需特征选择、参数调整过程简单、计算速度快、特征重要性输出等优点(Zhang et al., 2020)。LR 是一种广义线性回归模型,适用于低维特征采样,具有计算速度快、形式简单、可解释性高等特点(Jimenez-Serrano et al., 2015;S. Wang et al., 2019)。但是,目前,对于具有最佳性能的基于 ML 的模型类型,仍然没有绝对的声明。这可能是由于不同的 ML 技术在不同的研究样本中的适用性。例如,在对用于预测 PPD 风险的 SVM 和基于 RF 的 ML 模型的比较研究中,使用 SVM 构建的模型表现出更高的灵敏度水平。 对这一结果的一种可能的解释是,与基于 RF 的 ML 模型相比,基于 SVM 的 ML 模型可以避免在小样本中过度拟合(Zhang et al., 2020)。
此外,一些研究试图改进或创新用于预测 PPD 风险的 ML 技术。Park 等人使用一种称为重新加权的预处理方法构建了 PPD 风险预测模型,该方法根据种族标签的条件概率对每个组标签组合应用不同的权重,从而比简单地从预测模型中排除种族更大地减少了白人和黑人个体之间 PPD 的算法偏差(Park 等人, Natarajan 等人采用了一种创新技术 FGB,该技术可以以有原则的方式处理类不平衡,其中梯度计算为每个样本的观察概率和预测概率之间的差异,并在每次迭代时为这些样本拟合新的回归树。这项研究表明,FGB 获得了良好的性能,AUROC、召回率和进动分别为 0.952、0.84 和 0.92,优于基线分类器(Natarajan et al., 2017)。
4.3. Important PPD predictors
4.3. 重要的 PPD 预测因子
人口统计学特征是最常见的预测因素,其中最高的纳入频率是产妇年龄 。年龄对 PPD 的预测价值是两极分化的,即 19 岁以下或 35 岁以上的女性患 PPD 的风险更大(Amit 等人,2021 年;Shin et al., 2020)。
社会心理预测因子似乎是 PPD 最重要的预测因子。EHR 或背景数据与自我报告的心理测量量表的分数相结合, 可能会在筛选过程中增加 AUROC 或敏感性分数(Amit 等人,2021 年;Andersson 等人,2021 年)。当根据女性怀孕前的抑郁症或其他精神疾病史对女性进行分层时,模型的表现会降低(Andersson 等人,2021 年;Hochman et al., 2021)。尽管 Payne 等人证明模型中包含的表观遗传 PPD 生物标志物在有和没有精神病史的女性中高度准确,但他们也强调产前抑郁状态对于生成 PPD 的准确预测也至关重要(Payne 等人,2020 年)。
与 PPD 风险相关的产科预测因素包括新生儿的性别、分娩方式、胎次和分娩胎龄。新生儿性别与 PPD 风险之间的关联因国家而异,例如日本偏爱男婴(Mori 等人,2018 年)。正如以前的研究所报道的那样,胎次和交付方式在预测 PPD 风险中的作用仍然存在争议(Baba 等人,2021 年; 邓等人,2021 年)。在妊娠期完成之前分娩的妇女患 PPD 的风险更高(Amit 等人,2021 年)。
与 PPD 相关的临床预测因素包括体征、药物使用和疾病诊断,例如孕前 BMI、 甲状腺功能障碍和抗抑郁药的使用。先前的研究表明,疾病诊断(与人口统计或药物相比)在预测 PPD 风险方面表现出最佳性能 (AUROC = 0.72),并且与单独使用疾病诊断相比,将疾病诊断与药物相结合提高了 PPD 风险的预测 (AUROC = 0.76)(Shin 等人,2020 年)。
生物预测因子包括从患者血液样本中获得的实验室指标和表观遗传生物标志物,后者在包含在模型中时似乎可以更好地预测 PPD 风险。例如,Hochman 等人在预测 PPD 风险时考虑了怀孕期间的白蛋白、 铁蛋白 、血细胞比容、血红蛋白和肌酐水平,在第 90 个百分位风险阈值处获得了 AUROC、0.349 和 0.905(Hochman 等人,2021 年)。而 Payne 等人表明,对 HP1BP3 和 TTC9B 中 DNA 甲基化的评估导致对患者未来 EPDS 评分的准确预测,AUROC 为 0.84(Payne 等人,2020 年)。Tortajada 等人选择组合基因型 (5-HTT-GC) 作为 PPD 风险的预测因子,获得了 AUROC,敏感性和特异性为 0.84、0.78 和 0.85 (Tortajada et al., 2009)。
此外,非结构化数据特征也可用于预测 PPD 风险,但预测效果差异很大,这可能与预测的 PPD 风险人群有关。例如,Gabrieli 等人使用婴儿哭声的声学特征(基频、前四个共振峰和强度)和人口统计信息(婴儿的性别、母亲的年龄)来预测 PPD 的风险,获得了 AUROC、准确率、召回率和精密度为 0.969、0.895、0.88 和 0.904(Gabrieli 等人,2020 年).Fatima et al. 利用 Reddit 上发布的 20 种女性文本的语言特征来预测 PPD 的风险,获得了 0.869、0.868 和 0.87 的准确率、召回率和精密度,并认为语言特征“家庭”起着重要的预测作用(Fatima et al., 2019)。Shatte 等人使用父亲抑郁症状的产后变化(包括行为、讨论话题、语言风格和情绪)评估了 PPD 的风险。结果表明,这表明高危父亲对平台的行为参与度较低,并且参与的讨论较少,归类为幽默、生活方式和图像相关;与高危组相比,低风险父亲在产前和产后期间的愤怒和使用脏话的几率更高。然而,性能指标并不出色,准确率、召回率和精密度分别为 0.66、0.68 和 0.67,这可能是由于所选预测变量的适用性差,因为它们是从母亲改编为父亲的,或者忽略了可能处于高风险中的父亲,他们可能只是被动地观察讨论,而没有积极贡献(Shatte 等人, 2020 年)。
4.4. Outcomes measurement time
4.4. 结果测量时间
除了 Fatima et al. 的研究没有定义 PPD 测量时间 (Fatima et al., 2019) 外,我们发现其他纳入的研究主要测量 6 个时期的 PPD,最常见的测量时间为产后 6 周和产后 1 年。这是纳入研究之间的明显异质性,导致研究中使用的方法不同,以及从不同测量时间的研究中获得的结果不同。关于方法,我们观察到大多数测量产后 6 周 PPD 风险的研究都是使用前瞻性临床研究数据建模的(Andersson 等人,2021 年;Fang, 2019;Payne et al., 2020;Xiao et al., 2020;Zhang et al., 2020);而大多数测量产后 1 年 PPD 风险的研究都是基于回顾性数据或数据库建模的(Amit et al., 2021;Hochman 等人,2021 年;Shin et al., 2020;S. Wang et al., 2019;Zhang et al., 2021)。这种现象可能是因为母亲通常需要在产后 6 周返回医院检查自己和婴儿的健康状况,从而为直接评估母亲抑郁症状的研究提供了机会。此外,由于人力、精力和金钱的限制,研究很难在产后 1 年内实施 PPD 的前瞻性监测。 关于结果,我们发现产后 6 周和产后 1 年 PPD 风险的常用 ML 技术是 SVM(Payne 等人,2020 年;Shatte 等人,2020 年;Zhang et al., 2020)和基于梯度提升的算法(Amit et al., 2021;Hochman 等人,2021 年;Natarajan et al., 2017) 分别。这一结果可能与前瞻性研究和回顾性数据库的数据复杂性有关。如上所述,SVM 适用于多特征和小样本问题,而基于梯度提升的算法适用于类不平衡和较大样本。
4.5. Deficiencies in model development and validation
4.5. 模型开发和验证的缺陷
近年来发表了多项关于预测 PPD 风险的研究。然而,已发表的研究总数仍然微不足道,其总体质量不足。此外,这些研究中提出的模型的性能参差不齐,因此不能直接应用于临床实践。这表明 ML 近年来引起了极大的兴趣,但它仍然是一个相对较新的领域。一个可能的原因是 PROBAST 于 2019 年发布(Moons et al., 2019),而 2020 年提出了 ML 研究进行的标准化指南(Stevens et al., 2020),从而导致在这些指南发布之前进行的一些研究总体上缺乏基于方法的参考。因此,这些研究在开发和验证过程中存在许多缺陷,涉及参与者、预测因子、结果和分析领域。
关于参与者,一些研究从 EHR 或医疗系统数据库获取数据(Amit 等人,2021 年;Hochman 等人,2021 年;Park 等人,2021 年;Shin et al., 2020;S. Wang et al., 2019;Zhang et al., 2021),因此,预测因子和结果可能缺失或以不同的方式定义,从而导致数据完整性和可用性降低。此外,一些研究的资格标准排除了具有 PPD 潜在风险的亚组,例如有精神障碍史的女性(Fang,2019 年)、甲状腺功能障碍患者(Xiao 等人,2020 年 )和患有慢性病的女性 。然而,以前的研究表明, 精神障碍史是 PPD 风险的有力预测因素(Shakeel 等人,2018 年),甲状腺功能障碍会增加 PPD 的风险(RR 1.49,95 % CI 1.11-2.00)(George 等人,2021 年;Johar et al., 2020) 和糖尿病等慢性病也与 PPD 风险增加有关 (OR 2.23, 95 % CI 1.23–4.05) (Ruohomaki et al., 2018)。
关于预测因子,一些研究开发了基于 ML 的模型,主要关注特定方面,例如婴儿的哭声发声(Gabrieli et al., 2020)和社交媒体帖子的语言特征(Fatima et al., 2019),这可能导致一定的筛选漏检率由于预测因子不全面。此外,一些研究在其最终模型中没有报告所包含预测因子的定义、分类、测量和有效性,因此存在高偏倚风险。此外,大多数研究中的预测因子数量超过 20 个,从而使得在繁忙的临床环境中进行评估和记录变得非常困难,并显着降低了预测模型的适用性。Hochman 等人评估并比较了使用 156 个预测变量的主模型和使用 9 个预测变量的基于 Q 的模型之间的性能水平,他们确定后者更简单、更容易实现,准确性仅略有降低(Hochman et al., 2021)。即使模型中使用的变量数量从 100 % 减少到 50 %,甚至减少到所有可用变量的 25%(5-10 个变量),模型性能指标,尤其是准确性和 AUC 分数,也保持稳定(Andersson 等人,2021 年 )。如上所述,这可能是由于在评估大量预测因子时存在冗余,例如,怀孕期间的抑郁和焦虑与一些背景和病史变量高度相关。
关于结局,一些研究的偏倚风险主要源于使用次优的 PPD 分类方法。一般来说,ICD-9/10 代码的诊断以及量表筛查或精神科医生临床访谈的结果是 PPD 症状或风险的标准或公认的分类方法。然而,两项研究通过患者的语言特征评估了患者的 PPD,这与建模数据是社交媒体文本数据有关。这引发了关于偏倚风险的两个考虑因素,一个是结果分类不够合理,另一个是结果的测量可能会使用预测变量,这会降低 PPD 风险模型的预测性能置信度。
在所有研究中,分析领域与偏倚风险相关的问题最多。首先,考虑到模型开发中使用的候选预测因子的数量,纳入的研究都没有证明其样本量的适当性。在几项研究中,每个变量的事件范围 (EPV) 很小,可能导致过拟合的风险。尽管至少 20 的 EPV 范围已被公认为在 PROBAST 中没有偏倚风险,但使用 ML 技术开发的预测模型通常要求 EPV 的数量超过 200(Moons 等人,2019 年)。因此,在我们未来的研究中,如果不可避免地使用小样本,我们将在建模前使用降维技术来减少候选预测因子的数量。接下来,几项研究中的模型内部验证仅使用随机拆分验证。然而,当样本量较小时,数据利用率较低,导致偏倚风险,而 K 折叠交叉验证和 Bootstrap 重采样是更好的选择(Moons et al., 2012b)。遗憾的是,只有大约 20% 的模型进行了完整的外部验证。这可能是因为大多数研究人员更注重模型开发而不是模型验证,从而导致近年来预测 PPD 风险的模型不断涌现,但很少有得到有效验证的模型。最后,大多数研究仅报告了判别指标,缺乏校准指标,这表明它们无法在大多数基于 ML 的模型预测的事件概率与观察到的事件概率之间实现一致性。 其实,一个优秀的预测模型应该具有较高的判别和校准水平,前者应该是后者的基础。如果校准不令人满意,则应重新校准模型以提高性能(Moons et al., 2012a)。
4.6. Implications 4.6. 影响
纵观文献,使用 EHR 开发基于 ML 的模型来预测 PPD 风险的趋势越来越大,从而对数据处理技术提出了更高的要求。在本系统评价中,共有四项研究开发了基于 ML 的模型,用于使用 EHR 预测 PPD 风险(Amit 等人,2021 年;Hochman 等人,2021 年;S. Wang et al., 2019;Zhang et al., 2021),包括最新的三项研究。之所以存在这种趋势,是因为 EHR 包含通过跟踪患者病情随时间的重复测量来记录的数字健康信息,并且它们涵盖了大量人群(Aliabadi 等人,2020 年 )。准确和纵向的 EHR 有可能用于识别和分析个人和人群水平的新风险因素或结果。此外,ML 是一种强大的数据挖掘技术,适用于从大量多变量医疗数据中获得进一步的见解(Nwanosike 等人,2022 年)。因此,基于 EHR 的 ML 有可能开发更全面和可用的风险分层模型。然而,EHR 作为时间数据的来源,通常具有复杂的结构和临床事件分布不平衡,从而带来了数据不规则性、异质性和稀疏性等多重技术挑战。鉴于通用 ML 算法在应对这些挑战方面的局限性,未来的研究必须提出先进的 ML 方法,例如基于深度学习的方法(Xie et al., 2022)。
由于 ML 技术的进步,一系列集成和强化学习算法表现出高性能,但此类模型的可解释性降低,这称为黑盒效应。但是,在使用临床数据进行预测和决策时,有必要了解模型输出结果和风险因素、它们的权重、正确的解释以及对临床实践的具体指导。因此,研究人员应注意不要以牺牲临床实践的意义为代价来追求高准确性。然而,在这项系统评价中,很少有模型被转化为临床工具并在临床环境中进行测试。虽然一些研究通过特征重要性解释了哪些特征对 ML 模型的影响更大,但我们无法解释特征与预测结果之间的具体关联(S. Wang et al., 2019)。为了提高 ML 模型的可解释性,最近的研究用 SHAP 均值取代了特征重要性,以评估每个特征对模型输出的贡献,特别是对于集成树模型,例如 XGBoost(Hochman 等人,2021 年)。在我们看来,理性解读 ML 模型或将 ML 模型转化为临床工具仍然是研究人员和临床工作者关注的重点,也是推动 ML 模型在临床实践中不断发展和改进的关键。
与传统的风险预测工具相比,基于 ML 的模型具有显著优势,因为它们可以从广泛的数据类型中学习,包括结构化临床、实验室和遗传信息,以及非结构化文本、发声甚至成像数据。之前的一项研究证明,使用来自临床笔记的非结构化文本数据和结构化临床数据的组合的 ML 模型的预测性能优于不使用文本数据的模型(Ross et al., 2019)。 我们的系统评价发现,基于 ML 的模型使用来自临床的结构化数据或从社交媒体文本帖子中获得的非结构化数据作为 PPD 风险的预测因子。然而,很少有研究将这两个方面结合起来。按照这个例子,未来的研究应该考虑结合多种数据类型来训练基于 ML 的模型,从而提高预测能力。
5. Limitations 5. 限制
这项研究有一些局限性。本系统综述旨在综合 ML 技术在预测 PPD 风险中的应用。然而,由于纳入和排除标准以及研究人员考虑等主观因素,纳入的研究数量少于实际 ML 应用的全部潜力,导致选择偏倚。为了了解国内外的研究背景,我们纳入了用英文和中文撰写的研究 (n = 2),这略微降低了检索和综述过程的可复制性。在 Web of Science 中找不到一篇中文文章。此外,我们无法定量分析所包含的基于 ML 的模型对预测 PPD 风险的预测性能。这与研究中报告的显著不一致的性能指标以及缺乏适用于使用 ML 技术构建的预测模型的荟萃分析方法有关。
6. Conclusions 6. 结论
我们回顾了 17 项关于开发和验证基于 ML 的模型预测 PPD 风险的研究。我们全面总结了所有研究的基本特征、模型开发和验证的过程描述、模型性能的重要报告,并评估了预测模型的偏倚风险和适用性。关键发现是,很少有研究达到可接受的质量标准,并且 ML 技术尚未成功实施以预测临床环境中的 PPD 风险。因此,未来的研究必须基于标准方法开发 ML 模型,重视模型外部验证,详细报告结果,并将模型转换为可以访问开源工具以实施临床决策支持的模型。我们相信,这些改进将有助于基于 ML 的 PPD 风险预测模型在不久的将来成功应用于临床实践。
CRediT authorship contribution statement
CRediT 作者贡献声明
MZ 和 XD 提出研究问题并协调任务分配。HZ 和 CY 独立筛选标题、摘要和全文以获得资格。MZ 从纳入的论文中提取数据,JJ 检查提取的数据。MZ、HZ 和 CY 评估了纳入研究的偏倚风险和适用性。任何差异均由 XD 和 JJ 解决。MZ、HZ 和 CY 准备了手稿的第一版,XD 和 JJ 修改了手稿的初稿。所有作者都修改并批准了手稿的最终版本。
Conflict of interest 利益冲突
作者声明,该研究是在没有任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。
Acknowledgement 确认
感谢同济大学图书馆提供数据库访问,并感谢意得辑 (www.editage.cn) 提供英文编辑服务
Funding 资金
这项工作得到了上海市科学技术委员会 [资助号 21Y11905900] 的支持。
References 引用
- ACOG, 2018 ACOG, 2018 年ACOG Committee opinion no. 757: screening for perinatal depression
ACOG 委员会第 757 号意见:围产期抑郁症筛查Obstet. Gynecol., 132 (5) (2018), pp. e208-e212, 10.1097/aog.0000000000002927
Obstet. Gainkol.,132 (5) (2018),第 208-A212 页,10.1097/aog.000000000000002927 - Aliabadi et al., 2020 Aliabadi 等人,2020 年Electronic health record-based disease surveillance systems: a systematic literature review on challenges and solutions
基于电子健康记录的疾病监测系统:关于挑战和解决方案的系统文献综述J. Am. Med. Inform. Assoc., 27 (12) (2020), pp. 1977-1986, 10.1093/jamia/ocaa186
J. Am. Med. Inform.Assoc.,第 27 卷第 12 期 (2020 年),第 1977-1986 页,10.1093/jamia/ocaa186 - Amit et al., 2021 Amit 等人,2021 年Estimation of postpartum depression risk from electronic health records using machine learning
使用机器学习从电子健康记录中估计产后抑郁风险BMC Pregnancy Childbirth, 21 (1) (2021), p. 630, 10.1186/s12884-021-04087-8
BMC 怀孕分娩 (BMC Pregnancy Childbirth),第 21 卷第 1 期 (2021),第 630 页,10.1186/s12884-021-04087-8 - Andersson et al., 2021 Andersson 等人,2021 年Predicting women with depressive symptoms postpartum with machine learning methods
使用机器学习方法预测产后有抑郁症状的女性Sci. Rep., 11 (1) (2021), p. 7877, 10.1038/s41598-021-86368-y
Sci. Rep.,11 (1) (2021),第 7877 页,10.1038/s41598-021-86368-y - Aoyagi and Tsuchiya, 2019
Aoyagi 和 Tsuchiya,2019 年Does maternal postpartum depression affect children's developmental outcomes?
产妇产后抑郁症会影响儿童的发育结局吗?J. Obstet. Gynaecol. Res., 45 (9) (2019), pp. 1809-1820, 10.1111/jog.14064
J. Obstet. Gynaecol.Res.,第 45 卷第 9 期 (2019 年),第 1809-1820 页,10.1111/jog.14064 - Baba et al., 2021 Baba 等人,2021 年Association between mode of delivery and postpartum depression: The Japan Environment and Children's Study (JECS): a prospective cohort study
分娩方式与产后抑郁症之间的关联: 日本环境与儿童研究 (JECS): 一项前瞻性队列研究J Epidemiol. (2021), 10.2188/jea.JE20210117
J 流行病学杂志。(2021),10.2188/JEA。JE20210117 - Barr and Beck, 2008 Barr 和 Beck,2008 年Infanticide secrets: qualitative study on postpartum depression
杀婴秘密:产后抑郁症的定性研究Can. Fam. Physician, 54 (12) (2008), pp. 1716-1717
《家庭医师 (Can. Fam. Physician)》,第 54 卷第 12 期 (2008 年),第 1716-1717 页e1715 编号 E1715 - Bishara et al., 2022 Bishara 等人,2022 年Postoperative delirium prediction using machine learning models and preoperative electronic health record data
使用机器学习模型和术前电子健康记录数据预测术后谵妄BMC Anesthesiol., 22 (1) (2022), p. 8, 10.1186/s12871-021-01543-y
BMC 麻醉剂,22 (1) (2022),第 8 页,10.1186/s12871-021-01543-y - Cellini et al., 2022 Cellini 等人,2022 年Machine learning in the prediction of postpartum depression: a review
机器学习在产后抑郁症预测中的应用:综述J. Affect. Disord., 309 (2022), pp. 350-357, 10.1016/j.jad.2022.04.093
J. 情感。Disord.,第 309 卷(2022 年),第 350-357 页,10.1016/j.jad.2022.04.093 - Chen et al., 2021 Chen et al., 2021Postpartum depression and psychosis and subsequent severe mental illnesses in mothers and neurodevelopmental disorders in children: a Nationwide study
母亲产后抑郁症和精神病以及随后的严重精神疾病和儿童神经发育障碍:一项全国性研究J Clin Psychiatry, 82 (4) (2021), 10.4088/JCP.20m13735
临床精神病学杂志, 82 (4) (2021), 10.4088/JCP.20m13735 - Cho et al., 2022 Cho et al., 2022Understanding artificial intelligence and predictive analytics: a clinically focused review of machine learning techniques
了解人工智能和预测分析:机器学习技术的临床重点回顾JBJS Rev, 10 (3) (2022), 10.2106/JBJS.RVW.21.00142
JBJS 修订版,10 (3) (2022),10.2106/JBJS。编号 RVW.21.00142 - de Paula Eduardo et al., 2019
de Paula Eduardo 等人,2019 年Preterm birth as a risk factor for postpartum depression: a systematic review and meta-analysis
早产是产后抑郁的危险因素:系统评价和荟萃分析J. Affect. Disord., 259 (2019), pp. 392-403, 10.1016/j.jad.2019.08.069
J. 情感。Disord.,第 259 卷(2019 年),第 392-403 页,10.1016/j.jad.2019.08.069 - Deng et al., 2021 邓等人,2021 年Neuraxial labor analgesia is associated with a reduced risk of postpartum depression: a multicenter prospective cohort study with propensity score matching
椎管内分娩镇痛与降低产后抑郁风险相关:一项倾向评分匹配的多中心前瞻性队列研究J. Affect. Disord., 281 (2021), pp. 342-350, 10.1016/j.jad.2020.12.027
J. 情感。Disord.,第 281 卷(2021 年),第 342-350 页,10.1016/j.jad.2020.12.027 - Desta et al., 2021 Desta 等人,2021 年Postpartum depression and its association with intimate partner violence and inadequate social support in Ethiopia: a systematic review and meta-analysis
埃塞俄比亚产后抑郁症及其与亲密伴侣暴力和社会支持不足的关系:系统评价和荟萃分析J. Affect. Disord., 279 (2021), pp. 737-748, 10.1016/j.jad.2020.11.053
J. 情感。Disord.,第 279 卷(2021 年),第 737-748 页,10.1016/j.jad.2020.11.053 - Doke et al., 2021 Doke 等人,2021 年Assessment of difference in postpartum depression among caesarean and vaginally delivered women at 6-week follow-up in hospitals in Pune District, India: an observational cohort study
印度浦那区医院 6 周随访剖宫产和阴道分娩妇女产后抑郁差异的评估:一项观察性队列研究BMJ Open, 11 (9) (2021), Article e052008, 10.1136/bmjopen-2021-052008
BMJ Open,11 (9) (2021),文章 e052008,10.1136/bmjopen-2021-052008 - Fang, 2019 方, 2019Construction of Postpartum Depression Prediction Model Based on Machine Learning Algorithm
基于机器学习算法的产后抑郁预测模型构建Guangdong Pharmaceutical University (2019)
广东药科大学 (2019) - Farias-Antunez et al., 2018
Farias-Antunez 等人,2018 年Effect of maternal postpartum depression on offspring's growth
产妇产后抑郁对子代生长的影响J. Affect. Disord., 228 (2018), pp. 143-152, 10.1016/j.jad.2017.12.013
J. 情感。Disord.,第 228 卷(2018 年),第 143-152 页,10.1016/j.jad.2017.12.013 - Fatima et al., 2019 Fatima 等人,2019 年Prediction of postpartum depression using machine learning techniques from social media text
使用社交媒体文本中的机器学习技术预测产后抑郁症Expert. Syst., 36 (4) (2019), 10.1111/exsy.12409
专家。系统, 36 (4) (2019), 10.1111/exsy.12409ARTN e12409 ARTN 编号 e12409 - Gabrieli et al., 2020 Gabrieli 等人,2020 年Assessing Mothers' postpartum depression from their Infants' cry vocalizations
从婴儿的哭声中评估母亲的产后抑郁症Behav Sci (Basel), 10 (2) (2020), 10.3390/bs10020055
行为科学(巴塞尔),10 (2) (2020),10.3390/bs10020055 - George et al., 2021 George 等人,2021 年Incidence of postpartum depression and its association with antenatal psychiatric symptoms: a longitudinal study in 25 villages of rural South Karnataka. Indian journal of
产后抑郁症的发病率及其与产前精神症状的关系:南卡纳塔克邦农村 25 个村庄的纵向研究。印度杂志Psychol. Med., 44 (1) (2021), pp. 37-44, 10.1177/0253717621991061
《心理学医学 (Psychol. Med.)》,第 44 卷第 1 期 (2021),第 37-44 页,10.1177/0253717621991061Article 0253717621991061 第 0253717621991061 条 - Hahn-Holbrook et al., 2017
Hahn-Holbrook 等人,2017 年Economic and health predictors of National Postpartum Depression Prevalence: a systematic review, meta-analysis, and meta-regression of 291 studies from 56 countries
全国产后抑郁症患病率的经济和健康预测因素:来自 56 个国家的 291 项研究的系统评价、荟萃分析和荟萃回归Front Psychiatry, 8 (2017), p. 248, 10.3389/fpsyt.2017.00248
《前线精神病学 (Front Psychiatry)》,第 8 卷 (2017 年),第 248 页,10.3389/fpsyt.2017.00248 - Hochman et al., 2021 Hochman 等人,2021 年Development and validation of a machine learning-based postpartum depression prediction model: a nationwide cohort study
基于机器学习的产后抑郁预测模型的开发和验证:一项全国性的队列研究Depress Anxiety, 38 (4) (2021), pp. 400-411, 10.1002/da.23123
《抑郁焦虑 (Depress Anxiety)》,第 38 卷第 4 期 (2021 年),第 400-411 页,10.1002/da.23123 - Jimenez-Serrano et al., 2015
Jimenez-Serrano 等人,2015 年A Mobile health application to predict postpartum depression based on machine learning
基于机器学习预测产后抑郁症的移动健康应用程序Telemed. J. E Health, 21 (7) (2015), pp. 567-574, 10.1089/tmj.2014.0113
遥测。J. E Health,第 21 卷第 7 期 (2015),第 567-574 页,10.1089/tmj.2014.0113 - Johar et al., 2020 Johar 等人,2020 年Evaluation of antenatal risk factors for postpartum depression: a secondary cohort analysis of the cluster-randomised GeliS trial
产后抑郁的产前危险因素评估:整群随机 GeliS 试验的二级队列分析BMC Med., 18 (1) (2020), p. 227, 10.1186/s12916-020-01679-7
BMC Med.,18 (1) (2020),第 227 页,10.1186/s12916-020-01679-7 - Koutra et al., 2013 Koutra 等人,2013 年Antenatal and postnatal maternal mental health as determinants of infant neurodevelopment at 18 months of age in a mother-child cohort (Rhea Study) in Crete, Greece
希腊克里特岛母子队列(Rhea 研究)中产前和产后母体心理健康是 18 个月大婴儿神经发育的决定因素Soc. Psychiatry Psychiatr. Epidemiol., 48 (8) (2013), pp. 1335-1345, 10.1007/s00127-012-0636-0
Soc. 精神病学 精神病学。《流行病学 (Epidemiol.)》,第 48 卷第 8 期 (2013 年),第 1335-1345 页,10.1007/s00127-012-0636-0 - Mare et al., 2021 Mare 等人,2021 年Perinatal suicidality: prevalence and correlates in a south african birth cohort
围产期自杀倾向:南非出生队列的患病率和相关性Arch Womens Ment Health, 24 (5) (2021), pp. 737-748, 10.1007/s00737-021-01121-8
《拱门女性心理健康 (Arch Womens Ment Health)》,第 24 卷第 5 期 (2021 年),第 737-748 页,10.1007/s00737-021-01121-8 - Matsumura et al., 2019 Matsumura et al., 2019Education level and risk of postpartum depression: results from the Japan Environment and Children's Study (JECS)
产后抑郁症的教育水平和风险:日本环境与儿童研究 (JECS) 的结果BMC Psychiatry, 19 (1) (2019), p. 419, 10.1186/s12888-019-2401-3
BMC 精神病学 (BMC Psychiatry),第 19 卷第 1 期 (2019),第 419 页,10.1186/s12888-019-2401-3 - Minaldi et al., 2020 Minaldi 等人,2020 年Thyroid autoimmunity and risk of post-partum depression: a systematic review and meta-analysis of longitudinal studies
甲状腺自身免疫和产后抑郁症风险:纵向研究的系统评价和荟萃分析J. Endocrinol. Investig., 43 (3) (2020), pp. 271-277, 10.1007/s40618-019-01120-8
J. 内分泌。《调查 (Investig.)》,第 43 卷第 3 期 (2020),第 271-277 页,10.1007/s40618-019-01120-8 - Moons et al., 2014 Moons et al., 2014Critical appraisal and data extraction for systematic reviews of prediction modelling studies: the CHARMS checklist
预测建模研究系统评价的批判性评价和数据提取:CHARMS 清单PLoS Med., 11 (10) (2014), Article e1001744, 10.1371/journal.pmed.1001744
PLoS Med., 11 (10) (2014),文章 e1001744,10.1371/journal.pmed.1001744 - Moons et al., 2012a Moons 等人,2012 年 aRisk prediction models: II. External validation, model updating, and impact assessment
风险预测模型: II.外部验证、模型更新和影响评估Heart, 98 (9) (2012), pp. 691-698, 10.1136/heartjnl-2011-301247
《心 (Heart)》,第 98 卷第 9 期 (2012 年),第 691-698 页,10.1136/heartjnl-2011-301247 - Moons et al., 2012b Moons 等人,2012 年 bRisk prediction models: I. Development, internal validation, and assessing the incremental value of a new (bio)marker
风险预测模型:I. 开发、内部验证和评估新(生物)标志物的增量价值Heart, 98 (9) (2012), pp. 683-690, 10.1136/heartjnl-2011-301246
《心 (Heart)》,第 98 卷第 9 期 (2012 年),第 683-690 页,10.1136/heartjnl-2011-301246 - Moons et al., 2019 Moons 等人,2019 年PROBAST: a tool to assess risk of bias and applicability of prediction model studies: explanation and elaboration
PROBAST:评估预测模型研究的偏倚风险和适用性的工具:解释和阐述Ann. Intern. Med., 170 (1) (2019), pp. W1-W33, 10.7326/M18-1377
安 实习生。Med.,第 170 卷第 1 期 (2019 年),第 W1-W33 页,10.7326/M18-1377 - Mori et al., 2018 Mori et al., 2018Relationship between the mode of conception and depressive symptoms during the first 6 months post-partum in Japan
日本产后前 6 个月的受孕方式与抑郁症状的关系Reprod. Med. Biol., 17 (3) (2018), pp. 275-282, 10.1002/rmb2.12101
复制。《医学生物学 (Med. Biol.)》,第 17 卷第 3 期 (2018 年),第 17 卷第 3 期,第 1 页。275-282、10.1002/2.12101 元 - Natarajan et al., 2017 Natarajan et al., 2017Boosting for Postpartum Depression Prediction 2017 IEEE/ACM International Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE)
促进产后抑郁预测 2017 IEEE/ACM 互联健康国际会议:应用、系统和工程技术 (CHASE)(2017) - Nwanosike et al., 2022 Nwanosike 等人,2022 年Potential applications and performance of machine learning techniques and algorithms in clinical practice: a systematic review
机器学习技术和算法在临床实践中的潜在应用和性能:系统评价Int. J. Med. Inform., 159 (2022), Article 104679, 10.1016/j.ijmedinf.2021.104679
国际医学杂志信息,159 (2022),第 104679 条,10.1016/j.ijmedinf.2021.104679 - Page et al., 2021 Page 等人,2021 年The PRISMA 2020 statement: an updated guideline for reporting systematic reviews
PRISMA 2020 声明:系统综述报告更新指南Syst. Rev., 10 (1) (2021), p. 89, 10.1186/s13643-021-01626-4
系统修订版,10 (1) (2021),第 89 页,10.1186/s13643-021-01626-4 - Park et al., 2021 Park 等人,2021 年Comparison of methods to reduce bias from clinical prediction models of postpartum depression
减少产后抑郁临床预测模型偏倚的方法比较JAMA Netw. Open, 4 (4) (2021), Article e213909, 10.1001/jamanetworkopen.2021.3909
衬衫网。公开,4(4) (2021),第 A213909 条,10.1001/jamanetworkopen.2021.3909 - Paul et al., 2021 Paul 等人,2021 年Maternal thoughts of self-harm and their association with future offspring mental health problems
母亲的自残想法及其与未来后代心理健康问题的关系J. Affect. Disord., 293 (2021), pp. 422-428, 10.1016/j.jad.2021.06.058
J. 情感。Disord.,第 293 卷(2021 年),第 422-428 页,10.1016/j.jad.2021.06.058 - Payne et al., 2020 Payne 等人,2020 年DNA methylation biomarkers prospectively predict both antenatal and postpartum depression
DNA 甲基化生物标志物前瞻性预测产前和产后抑郁Psychiatry Res., 285 (2020), Article 112711, 10.1016/j.psychres.2019.112711
精神病学研究,285 (2020),第 112711 条,10.1016/j.psychres.2019.112711 - Ross et al., 2019 Ross et al., 2019Predicting future cardiovascular events in patients with peripheral artery disease using electronic health record data
使用电子健康记录数据预测外周动脉疾病患者未来的心血管事件Circ. Cardiovasc. Qual. Outcomes, 12 (3) (2019), Article e004741, 10.1161/circoutcomes.118.004741
Circ. Cardiovasc.质量结果, 12 (3) (2019),文章 e004741, 10.1161/circoutcomes.118.004741 - Ruohomaki et al., 2018 Ruohomaki et al., 2018The association between gestational diabetes mellitus and postpartum depressive symptomatology: a prospective cohort study
妊娠糖尿病与产后抑郁症状之间的关联:一项前瞻性队列研究J. Affect. Disord., 241 (2018), pp. 263-268, 10.1016/j.jad.2018.08.070
J. 情感。Disord.,第 241 卷(2018 年),第 263-268 页,10.1016/j.jad.2018.08.070 - Shakeel et al., 2018 Shakeel 等人,2018 年Prevalence of postpartum depressive symptoms in a multiethnic population and the role of ethnicity and integration
多种族人群中产后抑郁症状的患病率以及种族和融合的作用J. Affect. Disord., 241 (2018), pp. 49-58, 10.1016/j.jad.2018.07.056
J. 情感。Disord.,第 241 卷(2018 年),第 49-58 页,10.1016/j.jad.2018.07.056 - Shatte et al., 2020 Shatte 等人,2020 年Social media markers to identify fathers at risk of postpartum depression: a machine learning approach
识别有产后抑郁症风险的父亲的社交媒体标记:一种机器学习方法Cyberpsychol. Behav. Soc. Netw., 23 (9) (2020), pp. 611-618, 10.1089/cyber.2019.0746
网络心理学。行为。Soc. Netw.,第 23 卷第 9 期 (2020),第 611-618 页,10.1089/cyber.2019.0746 - Shehab et al., 2022 Shehab 等人,2022 年Machine learning in medical applications: a review of state-of-the-art methods
医疗应用中的机器学习:最新方法回顾Comput. Biol. Med., 145 (2022), Article 105458, 10.1016/j.compbiomed.2022.105458
计算。Biol. Med., 145 (2022), 文章 105458, 10.1016/j.compbiomed.2022.105458 - Shi et al., 2020 Shi et al., 2020Nutritional assessments in pregnancy and the risk of postpartum depression in chinese women: a case-control study
中国妇女妊娠期营养评估和产后抑郁风险:一项病例对照研究Medicine (Baltimore), 99 (33) (2020), Article e21647, 10.1097/MD.0000000000021647
医学(巴尔的摩),99 (33) (2020),文章 e21647,10.1097/MD.00000000000021647 - Shin et al., 2020 Shin et al., 2020Machine learning-based predictive modeling of postpartum depression
基于机器学习的产后抑郁症预测模型J. Clin. Med., 9 (9) (2020), 10.3390/jcm9092899
J. 克林。医学, 9 (9) (2020), 10.3390/jcm9092899 - Stevens et al., 2020 Stevens et al., 2020Recommendations for reporting machine learning analyses in clinical research
在临床研究中报告机器学习分析的建议Circ. Cardiovasc. Qual. Outcomes, 13 (10) (2020), Article e006556, 10.1161/circoutcomes.120.006556
Circ. Cardiovasc.质量结果, 13 (10) (2020),文章 e006556, 10.1161/circoutcomes.120.006556 - Sylven et al., 2013 Sylven 等人,2013 年Thyroid function tests at delivery and risk for postpartum depressive symptoms
分娩时甲状腺功能检查和产后抑郁症状的风险Psychoneuroendocrinology, 38 (7) (2013), pp. 1007-1013, 10.1016/j.psyneuen.2012.10.004
《心理神经内分泌学 (Psychoneuroendocrinology)》,第 38 卷第 7 期 (2013 年),第 1007-1013 页,10.1016/j.psyneuen.2012.10.004 - Tortajada et al., 2009 Tortajada 等人,2009 年Prediction of postpartum depression using multilayer perceptrons and pruning
使用多层感知器和修剪预测产后抑郁症Methods Inf. Med., 48 (3) (2009), pp. 291-298, 10.3414/ME0562
方法 Inf. Med.,第 48 卷第 3 期 (2009 年),第 291-298 页,10.3414/ME0562 - Trost et al., 2021 Trost 等人,2021 年Preventing pregnancy-related mental health deaths: insights from 14 US maternal mortality review committees, 2008–17
预防与妊娠相关的心理健康死亡:来自 14 个美国孕产妇死亡率审查委员会的见解,2008-17 年Health Aff (Millwood), 40 (10) (2021), pp. 1551-1559, 10.1377/hlthaff.2021.00615
Health Aff (Millwood),第 40 卷第 10 期(2021 年),第 1551-1559 页,10.1377/hlthaff.2021.00615 - Wang et al., 2019 Wang et al., 2019Clinical prediction models: model validation
临床预测模型:模型验证Chin. J. Evid.Based Cardiovasc. Med., 11 (2) (2019), 10.3969/j.issn.1674-4055.2019.02.04
下巴。J. Evid.Based Cardiovasc.医学, 11 (2) (2019), 10.3969/j.issn.1674-4055.2019.02.04 - Wang et al., 2019 Wang et al., 2019Using electronic health records and machine learning to predict postpartum depression
使用电子健康记录和机器学习来预测产后抑郁症Stud Health Technol Inform, 264 (2019), pp. 888-892, 10.3233/shti190351
Stud Health Technol Inform,第 264 卷(2019 年),第 888-892 页,10.3233/shti190351 - Wegner et al., 2022 Wegner 等人,2022 年Machine learning in the detection and management of atrial fibrillation
机器学习在心房颤动检测和管理中的应用Clin. Res. Cardiol. (2022), 10.1007/s00392-022-02012-3
克林。Res. Cardiol.(2022),10.1007/s00392-022-02012-3 - Xiao et al., 2020 Xiao et al., 2020Risk prediction for postpartum depression based on random forest
基于随机森林的产后抑郁风险预测Zhong Nan Da Xue Xue Bao Yi Xue Ban, 45 (10) (2020), pp. 1215-1222, 10.11817/j.issn.1672-7347.2020.190655 (.)
中南大学学 Bao Yi Xue Xivan Ban, 45 (10) (2020),第 1215-1222 页,10.11817/j.issn.1672-7347.2020.190655 (.) - Xie et al., 2022 Xie et al., 2022Deep learning for temporal data representation in electronic health records: a systematic review of challenges and methodologies
电子健康记录中时间数据表示的深度学习:挑战和方法的系统综述J. Biomed. Inform., 126 (2022), Article 103980, 10.1016/j.jbi.2021.103980
J. 生物医学。Inform., 126 (2022), Article 103980, 10.1016/j.jbi.2021.103980 - Zhang et al., 2020 Zhang et al., 2020Machine learning models for the prediction of postpartum depression: application and comparison based on a cohort study
预测产后抑郁的机器学习模型:基于队列研究的应用和比较JMIR Med. Inform., 8 (4) (2020), Article e15516, 10.2196/15516
JMIR Med. Inform., 8 (4) (2020),文章 e15516,10.2196/15516 - Zhang et al., 2021 Zhang et al., 2021Development and validation of a machine learning algorithm for predicting the risk of postpartum depression among pregnant women
开发和验证预测孕妇产后抑郁症风险的机器学习算法J. Affect. Disord., 279 (2021), pp. 1-8, 10.1016/j.jad.2020.09.113
J. 情感。Disord.,第 279 卷(2021 年),第 1-8 页,10.1016/j.jad.2020.09.113 - Zou et al., 2022 Zou et al., 2022Development and internal validation of machine learning algorithms for end-stage renal disease risk prediction model of people with type 2 diabetes mellitus and diabetic kidney disease
2 型糖尿病和糖尿病肾病患者终末期肾病风险预测模型的机器学习算法的开发和内部验证Ren. Fail., 44 (1) (2022), pp. 562-570, 10.1080/0886022X.2022.2056053
跑。文件,44 (1) (2022),第 562-570 页,10.1080/0886022X.2022.2056053 - Zulauf Logoz, 2014 Zulauf Logoz,2014 年The revision and 5th edition of the diagnostic and statistical manual of mental disorders (DSM-5): consequences for the diagnostic work with children and adolescents
精神障碍诊断与统计手册 (DSM-5) 的修订版和第 5 版:对儿童和青少年诊断工作的影响Prax Kinderpsychol Kinderpsychiatr, 63 (7) (2014), pp. 562-576, 10.13109/prkk.2014.63.7.562
Prax Kinderpsychol Kinderpsychiatr,第 63 卷第 7 期(2014 年),第 562-576 页,10.13109/prkk.2014.63.7.562
Cited by (21) 被引用次数 (21)
Predicting Patients Requiring Treatment for Depression in the Postpartum Period Using Common Electronic Medical Record Data Available Antepartum
使用产前可用的常见电子病历数据预测产后需要治疗抑郁症的患者2023, AJPM Focus 2023 年,AJPM 聚焦Citation Excerpt : 引文摘录 :As such, using ML models, previous groups have reported predictive models for identifying patients at risk of PPD with modest success. Over the past 14 years, there have been 18 publications presenting ML models for predicting PPD.6,7 A common issue among these models has been the failure to accurately predict PPD using only readily obtainable data.
因此,使用 ML 模型,以前的小组报告了用于识别有 PPD 风险患者的预测模型,并取得了一定的成功。在过去的 14 年里,有 18 篇出版物介绍了用于预测 PPD 的 ML 模型 6,7 这些模型中的一个常见问题是无法仅使用容易获得的数据准确预测 PPD。Prevalence and risk factors analysis of postpartum depression at early stage using hybrid deep learning model
基于混合深度学习模型的早期产后抑郁患病率及危险因素分析2024, Scientific Reports 2024, 科学报告Unveiling the prevalence and risk factors of early stage postpartum depression: a hybrid deep learning approach
揭示早期产后抑郁症的患病率和风险因素:一种混合深度学习方法2024, Multimedia Tools and Applications
2024,多媒体工具和应用Challenges and Opportunities for Data Science in Women's Health
女性健康领域数据科学的挑战和机遇2023, Annual Review of Biomedical Data Science
2023 生物医学数据科学年鉴
- 1
- These authors have contributed equally to this work and share first authorship.
这些作者对这项工作做出了同等贡献,并分享了第一作者身份。
© 2022 年由 Elsevier BV 出版