又简单有快速的发文技巧来啦！机器学习结合临床预测轻松get发文新思路，赶紧学起来吧~
小塔跟小伙伴们分享一篇高分机器学习文章，这篇文章通过机器学习方法，探讨产后抑郁的风险和诊断评估策略，轻松拿些了11分+。这篇文章的创新性主要体现在哪些方面呢？拿好小板凳，小塔现在就带大家一一揭晓~
1，本研究在方法上具有创新性，采用机器学习方法，通过数据挖掘获得多方面数据，来预测围产期抑郁的风险和诊断结果，此方法可以更准确地预测围产期抑郁的发生和严重程度，为临床医生提供更好的指导建议；
2，本研究的患者入组更严格，准确，考虑了多个评估量表的综合信息，包括爱丁堡产后抑郁症量表(EPDS)、视觉模拟量表(VAS)、汉密尔顿抑郁量表(HDRS)、蒙哥马利-阿斯伯格抑郁量表(MADRS)等，更全面地评估了围产期抑郁的风险和严重程度；
3，本研究采用了交叉验证和重复实验方法，以评估模型的性能稳定性，更准确地评估模型的预测能力，并提供了可靠的结果；
4，本研究还提供了多个评估指标来评估模型的性能，包括接受者操作特征曲线下面积(AUROC)、精确召回曲线下面积(AUPR)、敏感性(SEN)等，这些指标可以全面评估模型的预测能力和准确性。
这一篇文章的创新之处在于采用机器学习方法和综合评估量表的数据，提供了一种创新的方法来评估围产期抑郁的风险和诊断结果，为临床医生的决策提供了更准确的支持！看完之后，小伙伴们是不是又打开新的思路了呢，能够为临床预后提供指导建议的文章，是发表高分SCI的有效助力哦！有没有觉着更换一种疾病，复现一下文章分析思路，又可以轻松拿下一篇文章啦！感兴趣的小伙伴们，如果还想了解更多机器学习的流程步骤，可以扫码联系小塔哦！
- 题目：围产期抑郁症的最佳风险和诊断评估策略：来自life-ON研究队列的机器学习方法
- 杂志：Psychiatry Res
- 影响因子：IF=11.3
- 发表时间：2024年2月
研究背景
围产期抑郁症(PND)通常被认为是一种重度抑郁发作(MDE)，发生在怀孕期间的任何时间和分娩后12个月。近距离检测 PND 是很重要的，但是周产期抑郁发作的识别带来了一些临床挑战。考虑到用于PND的仪器的丰富程度，有必要在大样本中进行直接比较，以选择最佳的、特定于疾病的工具。用于预测产后抑郁症风险的机器学习(ML)模型的最新发展涉及结合临床，社会人口统计学和生物学数据。本研究旨在使用多尺度评估方法比较PND风险和诊断的分类模型，建立不同工具之间的一致性，并确定分娩前后评估工具的最佳选择。
数据来源
本文采用数据挖掘方式，对“Life-ON”研究的数据进行二次分析，这是一项关于围产期睡眠和情绪变化的多中心前瞻性队列研究。4个中心的参与者招募从2016年初到2019年进行了3年。最后一次随访于2020年6月进行，是在纳入最后一位参与者18个月后。总共有大约2000名怀孕前三个月的妇女被联系并邀请参加这项研究。
研究思路
本研究对分娩后第10-15周和第23-25周，第33-40天和第180-195天，使用爱丁堡产后抑郁症量表(EPDS)、视觉模拟量表(VAS)、汉密尔顿抑郁量表(HDRS)、蒙哥马利-阿斯伯格抑郁量表(MADRS)和迷你简明国际神经精神障碍访谈(MINI)对432名妇女进行评估。Spearman等级相关系数用于评估工具间的一致性，并开发了多变量分类模型来预测使用其他量表的二元量表的值。并采用接受者操作特征曲线下面积(AUROC)、精确召回曲线下面积(AUPR)、敏感性(SEN)和特异性(SPE)作为分类模型性能的评估指标。
主要结果
作者分析了五个量表的总体分布，如图1A所示为直方图。正如图中所强调的那样，有大量的观察结果或者没有显示抑郁，或者显示出轻微的抑郁。根据EPDS(评分>9)，只有10%的观察结果为抑郁，根据HDRS(评分>7)，5%的观察结果为抑郁，根据MADRS(评分>6)，20%的观察结果为抑郁，根据MINI只有6%的观察结果为抑郁发作。通过Mann-Whitney检验来评估产前和产后非二元量表分布的差异。这种差异也出现在图1B的箱形图中，其中显示了两个时期的分布情况。对于EPDS和HDRS，产后观察值似乎(通常)低于产前观察值，而使用MADRS和VAS工具时，这种差异不太明显。表明VAS和MADRS对当前抑郁风险(EPDS > 9)的估计效果较好，而VAS和HDRS对当前重度抑郁发作(MDE)诊断(MINI)的估计效果较差。
图1 不同尺度的测量分布
2.孕期和产后量表之间的一致性
作者考虑了所有可能的非二元量表，并通过分离孕前和产后时期研究了它们的联合分布。从图2A所示的散点图中可以定性地观察到产前和产后的差异以及各量表之间的一致性。在这里，一致性是指彼此的单调性：如果两个尺度的散点图显示单调的上升趋势，则它们的一致性很好。为了定量地支持这些观察结果，作者计算了所有可能的量表对之间的Spearman等级相关系数，保持了产前和产后观察的分离。这些一致性度量在图2B所示的图表中给出。结果表明，HDRS和MADRS评分之间以及EPDS和VAS评分之间有合理的一致性。
图2 孕期和产后量表之间的一致性分析
3.利用其他方法预测二元量表
作为初步研究，作者采用Mann-Whitney检验来评估MINI阳性或阴性女性、EPDS≤9或EPDS>9女性的非二元量表分布是否存在差异。 除一种情况外，其他所有情况（通过MINI测定的样本HDRS值）都存在显著差异(图3A)。一般来说，由二元EPDS值确定的样本分布比由MINI确定的样本分布更分散。这可以从图3B所示的箱形图中看出，其中的箱形图与二进制EPDS相隔很远。
作者训练了多变量分类模型来预测MINI和二元EPDS，使用所有其他可用的尺度作为特征。如表1所示，得到了一个预测二元EPDS性能较好的模型，以及一个预测MINI性能较差的模型。然后，为了预测MINI和二元EPDS，作者为每个可能子集训练了一个模型。在这两种情况下，作者都确定了一个模型，它只考虑两个尺度，但与使用所有可用尺度的模型相比表现相当。特别是，对于预测二元EPDS，仅使用VAS和MADRS的模型，对于预测MINI，仅使用HDRS和VAS的模型。
图4详细说明了分类模型的重复(十分之一)。图4A显示了使用所有可用尺度的模型和仅使用两个尺度的上述模型的ROC和PR曲线及其下面的面积。图4B提供了使用所有尺度的模型的混淆矩阵：这些是通过使用灵敏度和特异性的几何平均值的最佳阈值来确定的。上述结果表明，MADRS-VAS 被证明是预测 PND 风险的最佳模型。MINI 定义的 PND 诊断用心理测量量表预测不如 PND 风险准确。
图3 采用Mann-Whitney检验来评估非二元量表分布是否存在差异
表1 对二元EPDS和MINI进行预测的分类模型的性能
图4 (A) ROC和PR曲线及其下面的区域，重复十分之一的模型预测二元EPDS (左)和 MINI (右) (B)使用所有可用尺度重复一个模型的混淆矩阵
文章小结
这篇文章通过机器学习方法提供了一种有效的方法来评估产后抑郁的风险和诊断，可谓创意满满！综合考虑多个评估量表和评估指标的综合信息，提高了评估模型的准确性，并对临床诊断预后提供了指导价值！看到这里，小伙伴们是不是也眼前一亮了呢？如果更换一种疾病或数据库，重复一下文章思路，是不是也可以获得一篇新的文章呢？想要了解更多机器学习或者文章思路设计的小伙伴们，尽管扫码联系小塔哦！
小塔有话说
生信塔公众号持续为大家带来最新生信思路，想复现这种思路或者定制更多创新性思路欢迎直接call小塔，竭诚为您的科研助力！
热乎的1区11分+纯生信，机器学习结合临床预测，一分钟吸引审稿人眼球，赶紧码住！
又简单有快速的发文技巧来啦！机器学习结合临床预测轻松get发文新思路，赶紧学起来吧~
小塔跟小伙伴们分享一篇高分机器学习文章，这篇文章通过机器学习方法，探讨产后抑郁的风险和诊断评估策略，轻松拿些了11分+。这篇文章的创新性主要体现在哪些方面呢？拿好小板凳，小塔现在就带大家一一揭晓~
1，本研究在方法上具有创新性，采用机器学习方法，通过数据挖掘获得多方面数据，来预测围产期抑郁的风险和诊断结果，此方法可以更准确地预测围产期抑郁的发生和严重程度，为临床医生提供更好的指导建议；
2，本研究的患者入组更严格，准确，考虑了多个评估量表的综合信息，包括爱丁堡产后抑郁症量表(EPDS)、视觉模拟量表(VAS)、汉密尔顿抑郁量表(HDRS)、蒙哥马利-阿斯伯格抑郁量表(MADRS)等，更全面地评估了围产期抑郁的风险和严重程度；
3，本研究采用了交叉验证和重复实验方法，以评估模型的性能稳定性，更准确地评估模型的预测能力，并提供了可靠的结果；
4，本研究还提供了多个评估指标来评估模型的性能，包括接受者操作特征曲线下面积(AUROC)、精确召回曲线下面积(AUPR)、敏感性(SEN)等，这些指标可以全面评估模型的预测能力和准确性。
这一篇文章的创新之处在于采用机器学习方法和综合评估量表的数据，提供了一种创新的方法来评估围产期抑郁的风险和诊断结果，为临床医生的决策提供了更准确的支持！看完之后，小伙伴们是不是又打开新的思路了呢，能够为临床预后提供指导建议的文章，是发表高分SCI的有效助力哦！有没有觉着更换一种疾病，复现一下文章分析思路，又可以轻松拿下一篇文章啦！感兴趣的小伙伴们，如果还想了解更多机器学习的流程步骤，可以扫码联系小塔哦！
- 题目：围产期抑郁症的最佳风险和诊断评估策略：来自life-ON研究队列的机器学习方法
- 杂志：Psychiatry Res
- 影响因子：IF=11.3
- 发表时间：2024年2月
研究背景
围产期抑郁症(PND)通常被认为是一种重度抑郁发作(MDE)，发生在怀孕期间的任何时间和分娩后12个月。近距离检测 PND 是很重要的，但是周产期抑郁发作的识别带来了一些临床挑战。考虑到用于PND的仪器的丰富程度，有必要在大样本中进行直接比较，以选择最佳的、特定于疾病的工具。用于预测产后抑郁症风险的机器学习(ML)模型的最新发展涉及结合临床，社会人口统计学和生物学数据。本研究旨在使用多尺度评估方法比较PND风险和诊断的分类模型，建立不同工具之间的一致性，并确定分娩前后评估工具的最佳选择。
数据来源
本文采用数据挖掘方式，对“Life-ON”研究的数据进行二次分析，这是一项关于围产期睡眠和情绪变化的多中心前瞻性队列研究。4个中心的参与者招募从2016年初到2019年进行了3年。最后一次随访于2020年6月进行，是在纳入最后一位参与者18个月后。总共有大约2000名怀孕前三个月的妇女被联系并邀请参加这项研究。
研究思路
本研究对分娩后第10-15周和第23-25周，第33-40天和第180-195天，使用爱丁堡产后抑郁症量表(EPDS)、视觉模拟量表(VAS)、汉密尔顿抑郁量表(HDRS)、蒙哥马利-阿斯伯格抑郁量表(MADRS)和迷你简明国际神经精神障碍访谈(MINI)对432名妇女进行评估。Spearman等级相关系数用于评估工具间的一致性，并开发了多变量分类模型来预测使用其他量表的二元量表的值。并采用接受者操作特征曲线下面积(AUROC)、精确召回曲线下面积(AUPR)、敏感性(SEN)和特异性(SPE)作为分类模型性能的评估指标。
主要结果
作者分析了五个量表的总体分布，如图1A所示为直方图。正如图中所强调的那样，有大量的观察结果或者没有显示抑郁，或者显示出轻微的抑郁。根据EPDS(评分>9)，只有10%的观察结果为抑郁，根据HDRS(评分>7)，5%的观察结果为抑郁，根据MADRS(评分>6)，20%的观察结果为抑郁，根据MINI只有6%的观察结果为抑郁发作。通过Mann-Whitney检验来评估产前和产后非二元量表分布的差异。这种差异也出现在图1B的箱形图中，其中显示了两个时期的分布情况。对于EPDS和HDRS，产后观察值似乎(通常)低于产前观察值，而使用MADRS和VAS工具时，这种差异不太明显。表明VAS和MADRS对当前抑郁风险(EPDS > 9)的估计效果较好，而VAS和HDRS对当前重度抑郁发作(MDE)诊断(MINI)的估计效果较差。
图1 不同尺度的测量分布
2.孕期和产后量表之间的一致性
作者考虑了所有可能的非二元量表，并通过分离孕前和产后时期研究了它们的联合分布。从图2A所示的散点图中可以定性地观察到产前和产后的差异以及各量表之间的一致性。在这里，一致性是指彼此的单调性：如果两个尺度的散点图显示单调的上升趋势，则它们的一致性很好。为了定量地支持这些观察结果，作者计算了所有可能的量表对之间的Spearman等级相关系数，保持了产前和产后观察的分离。这些一致性度量在图2B所示的图表中给出。结果表明，HDRS和MADRS评分之间以及EPDS和VAS评分之间有合理的一致性。
图2 孕期和产后量表之间的一致性分析
3.利用其他方法预测二元量表
作为初步研究，作者采用Mann-Whitney检验来评估MINI阳性或阴性女性、EPDS≤9或EPDS>9女性的非二元量表分布是否存在差异。 除一种情况外，其他所有情况（通过MINI测定的样本HDRS值）都存在显著差异(图3A)。一般来说，由二元EPDS值确定的样本分布比由MINI确定的样本分布更分散。这可以从图3B所示的箱形图中看出，其中的箱形图与二进制EPDS相隔很远。
作者训练了多变量分类模型来预测MINI和二元EPDS，使用所有其他可用的尺度作为特征。如表1所示，得到了一个预测二元EPDS性能较好的模型，以及一个预测MINI性能较差的模型。然后，为了预测MINI和二元EPDS，作者为每个可能子集训练了一个模型。在这两种情况下，作者都确定了一个模型，它只考虑两个尺度，但与使用所有可用尺度的模型相比表现相当。特别是，对于预测二元EPDS，仅使用VAS和MADRS的模型，对于预测MINI，仅使用HDRS和VAS的模型。
图4详细说明了分类模型的重复(十分之一)。图4A显示了使用所有可用尺度的模型和仅使用两个尺度的上述模型的ROC和PR曲线及其下面的面积。图4B提供了使用所有尺度的模型的混淆矩阵：这些是通过使用灵敏度和特异性的几何平均值的最佳阈值来确定的。上述结果表明，MADRS-VAS 被证明是预测 PND 风险的最佳模型。MINI 定义的 PND 诊断用心理测量量表预测不如 PND 风险准确。
图3 采用Mann-Whitney检验来评估非二元量表分布是否存在差异
表1 对二元EPDS和MINI进行预测的分类模型的性能
图4 (A) ROC和PR曲线及其下面的区域，重复十分之一的模型预测二元EPDS (左)和 MINI (右) (B)使用所有可用尺度重复一个模型的混淆矩阵
文章小结
这篇文章通过机器学习方法提供了一种有效的方法来评估产后抑郁的风险和诊断，可谓创意满满！综合考虑多个评估量表和评估指标的综合信息，提高了评估模型的准确性，并对临床诊断预后提供了指导价值！看到这里，小伙伴们是不是也眼前一亮了呢？如果更换一种疾病或数据库，重复一下文章思路，是不是也可以获得一篇新的文章呢？想要了解更多机器学习或者文章思路设计的小伙伴们，尽管扫码联系小塔哦！
小塔有话说
生信塔公众号持续为大家带来最新生信思路，想复现这种思路或者定制更多创新性思路欢迎直接call小塔，竭诚为您的科研助力！
热乎的1区11分+纯生信，机器学习结合临床预测，一分钟吸引审稿人眼球，赶紧码住！
又简单有快速的发文技巧来啦！机器学习结合临床预测轻松get发文新思路，赶紧学起来吧~
小塔跟小伙伴们分享一篇高分机器学习文章，这篇文章通过机器学习方法，探讨产后抑郁的风险和诊断评估策略，轻松拿些了11分+。这篇文章的创新性主要体现在哪些方面呢？拿好小板凳，小塔现在就带大家一一揭晓~
1，本研究在方法上具有创新性，采用机器学习方法，通过数据挖掘获得多方面数据，来预测围产期抑郁的风险和诊断结果，此方法可以更准确地预测围产期抑郁的发生和严重程度，为临床医生提供更好的指导建议；
2，本研究的患者入组更严格，准确，考虑了多个评估量表的综合信息，包括爱丁堡产后抑郁症量表(EPDS)、视觉模拟量表(VAS)、汉密尔顿抑郁量表(HDRS)、蒙哥马利-阿斯伯格抑郁量表(MADRS)等，更全面地评估了围产期抑郁的风险和严重程度；
3，本研究采用了交叉验证和重复实验方法，以评估模型的性能稳定性，更准确地评估模型的预测能力，并提供了可靠的结果；
4，本研究还提供了多个评估指标来评估模型的性能，包括接受者操作特征曲线下面积(AUROC)、精确召回曲线下面积(AUPR)、敏感性(SEN)等，这些指标可以全面评估模型的预测能力和准确性。
这一篇文章的创新之处在于采用机器学习方法和综合评估量表的数据，提供了一种创新的方法来评估围产期抑郁的风险和诊断结果，为临床医生的决策提供了更准确的支持！看完之后，小伙伴们是不是又打开新的思路了呢，能够为临床预后提供指导建议的文章，是发表高分SCI的有效助力哦！有没有觉着更换一种疾病，复现一下文章分析思路，又可以轻松拿下一篇文章啦！感兴趣的小伙伴们，如果还想了解更多机器学习的流程步骤，可以扫码联系小塔哦！
- 题目：围产期抑郁症的最佳风险和诊断评估策略：来自life-ON研究队列的机器学习方法
- 杂志：Psychiatry Res
- 影响因子：IF=11.3
- 发表时间：2024年2月
研究背景
围产期抑郁症(PND)通常被认为是一种重度抑郁发作(MDE)，发生在怀孕期间的任何时间和分娩后12个月。近距离检测 PND 是很重要的，但是周产期抑郁发作的识别带来了一些临床挑战。考虑到用于PND的仪器的丰富程度，有必要在大样本中进行直接比较，以选择最佳的、特定于疾病的工具。用于预测产后抑郁症风险的机器学习(ML)模型的最新发展涉及结合临床，社会人口统计学和生物学数据。本研究旨在使用多尺度评估方法比较PND风险和诊断的分类模型，建立不同工具之间的一致性，并确定分娩前后评估工具的最佳选择。
数据来源
本文采用数据挖掘方式，对“Life-ON”研究的数据进行二次分析，这是一项关于围产期睡眠和情绪变化的多中心前瞻性队列研究。4个中心的参与者招募从2016年初到2019年进行了3年。最后一次随访于2020年6月进行，是在纳入最后一位参与者18个月后。总共有大约2000名怀孕前三个月的妇女被联系并邀请参加这项研究。
研究思路
本研究对分娩后第10-15周和第23-25周，第33-40天和第180-195天，使用爱丁堡产后抑郁症量表(EPDS)、视觉模拟量表(VAS)、汉密尔顿抑郁量表(HDRS)、蒙哥马利-阿斯伯格抑郁量表(MADRS)和迷你简明国际神经精神障碍访谈(MINI)对432名妇女进行评估。Spearman等级相关系数用于评估工具间的一致性，并开发了多变量分类模型来预测使用其他量表的二元量表的值。并采用接受者操作特征曲线下面积(AUROC)、精确召回曲线下面积(AUPR)、敏感性(SEN)和特异性(SPE)作为分类模型性能的评估指标。
主要结果
作者分析了五个量表的总体分布，如图1A所示为直方图。正如图中所强调的那样，有大量的观察结果或者没有显示抑郁，或者显示出轻微的抑郁。根据EPDS(评分>9)，只有10%的观察结果为抑郁，根据HDRS(评分>7)，5%的观察结果为抑郁，根据MADRS(评分>6)，20%的观察结果为抑郁，根据MINI只有6%的观察结果为抑郁发作。通过Mann-Whitney检验来评估产前和产后非二元量表分布的差异。这种差异也出现在图1B的箱形图中，其中显示了两个时期的分布情况。对于EPDS和HDRS，产后观察值似乎(通常)低于产前观察值，而使用MADRS和VAS工具时，这种差异不太明显。表明VAS和MADRS对当前抑郁风险(EPDS > 9)的估计效果较好，而VAS和HDRS对当前重度抑郁发作(MDE)诊断(MINI)的估计效果较差。
图1 不同尺度的测量分布
2.孕期和产后量表之间的一致性
作者考虑了所有可能的非二元量表，并通过分离孕前和产后时期研究了它们的联合分布。从图2A所示的散点图中可以定性地观察到产前和产后的差异以及各量表之间的一致性。在这里，一致性是指彼此的单调性：如果两个尺度的散点图显示单调的上升趋势，则它们的一致性很好。为了定量地支持这些观察结果，作者计算了所有可能的量表对之间的Spearman等级相关系数，保持了产前和产后观察的分离。这些一致性度量在图2B所示的图表中给出。结果表明，HDRS和MADRS评分之间以及EPDS和VAS评分之间有合理的一致性。
图2 孕期和产后量表之间的一致性分析
3.利用其他方法预测二元量表
作为初步研究，作者采用Mann-Whitney检验来评估MINI阳性或阴性女性、EPDS≤9或EPDS>9女性的非二元量表分布是否存在差异。 除一种情况外，其他所有情况（通过MINI测定的样本HDRS值）都存在显著差异(图3A)。一般来说，由二元EPDS值确定的样本分布比由MINI确定的样本分布更分散。这可以从图3B所示的箱形图中看出，其中的箱形图与二进制EPDS相隔很远。
作者训练了多变量分类模型来预测MINI和二元EPDS，使用所有其他可用的尺度作为特征。如表1所示，得到了一个预测二元EPDS性能较好的模型，以及一个预测MINI性能较差的模型。然后，为了预测MINI和二元EPDS，作者为每个可能子集训练了一个模型。在这两种情况下，作者都确定了一个模型，它只考虑两个尺度，但与使用所有可用尺度的模型相比表现相当。特别是，对于预测二元EPDS，仅使用VAS和MADRS的模型，对于预测MINI，仅使用HDRS和VAS的模型。
图4详细说明了分类模型的重复(十分之一)。图4A显示了使用所有可用尺度的模型和仅使用两个尺度的上述模型的ROC和PR曲线及其下面的面积。图4B提供了使用所有尺度的模型的混淆矩阵：这些是通过使用灵敏度和特异性的几何平均值的最佳阈值来确定的。上述结果表明，MADRS-VAS 被证明是预测 PND 风险的最佳模型。MINI 定义的 PND 诊断用心理测量量表预测不如 PND 风险准确。
图3 采用Mann-Whitney检验来评估非二元量表分布是否存在差异
表1 对二元EPDS和MINI进行预测的分类模型的性能
图4 (A) ROC和PR曲线及其下面的区域，重复十分之一的模型预测二元EPDS (左)和 MINI (右) (B)使用所有可用尺度重复一个模型的混淆矩阵
文章小结
这篇文章通过机器学习方法提供了一种有效的方法来评估产后抑郁的风险和诊断，可谓创意满满！综合考虑多个评估量表和评估指标的综合信息，提高了评估模型的准确性，并对临床诊断预后提供了指导价值！看到这里，小伙伴们是不是也眼前一亮了呢？如果更换一种疾病或数据库，重复一下文章思路，是不是也可以获得一篇新的文章呢？想要了解更多机器学习或者文章思路设计的小伙伴们，尽管扫码联系小塔哦！
小塔有话说
生信塔公众号持续为大家带来最新生信思路，想复现这种思路或者定制更多创新性思路欢迎直接call小塔，竭诚为您的科研助力！