TY -的盟Saqib Kiran盟——汗,琥珀Fozia盟——屁股,Zahid Ahmad PY - 2021 DA - 2021/11/24 TI -机器学习方法预测产后抑郁症:范围审查乔- JMIR表示“状态”卫生SP - e29838六世- 8 - 11 KW -机器学习千瓦产后抑郁症KW -大数据KW -手机AB -背景:机器学习(ML)提供了有力的统计和概率技术可以成功地预测某些临床条件使用大量的数据。鉴于近年来技术的快速发展，对ML和大数据研究分析在孕产妇抑郁症中的应用进行综述是恰当和及时的。目的:本研究旨在综合ML和大数据分析在孕产妇心理健康，特别是产后抑郁症(PPD)预测方面的文献。方法:我们使用Arksey和O 'Malley框架的范围审查方法来快速绘制ML中预测PPD的研究活动。2020年9月，两名独立研究人员检索了PsycINFO、PubMed、IEEE explore和ACM数字图书馆，以确定过去12年的相关出版物。数据从文章的ML模型、数据类型和研究结果中提取。结果:共纳入14项研究。所有的研究都报道了使用监督学习技术来预测产后抑郁症。除了朴素贝叶斯、回归、人工神经网络、决策树和XGBoost (Extreme Gradient Boosting)之外，支持向量机和随机森林是最常用的算法。在选定的研究中，表现最好的ML算法存在相当大的异质性。 The area under the receiver operating characteristic curve values reported for different algorithms were support vector machine (range 0.78-0.86), random forest method (0.88), XGBoost (0.80), and logistic regression (0.93). Conclusions: ML algorithms can analyze larger data sets and perform more advanced computations, which can significantly improve the detection of PPD at an early stage. Further clinical research collaborations are required to fine-tune ML algorithms for prediction and treatment. ML might become part of evidence-based practice in addition to clinical knowledge and existing research evidence. SN - 2368-7959 UR - https://mental.www.mybigtv.com/2021/11/e29838 UR - https://doi.org/10.2196/29838 UR - http://www.ncbi.nlm.nih.gov/pubmed/34822337 DO - 10.2196/29838 ID - info:doi/10.2196/29838 ER -