Lifestyle predictors of depression and anxiety during COVID-19: a machine learning approach
Notice bibliographique
Résumé
INTRODUCTION: Recent research has suggested an increase in the global prevalence of psychiatric symptoms during the COVID-19 pandemic. This study aimed to assess whether lifestyle behaviors can predict the presence of depression and anxiety in the Brazilian general population, using a model developed in Spain. METHODS: A web survey was conducted during April-May 2020, which included the Short Multidimensional Inventory Lifestyle Evaluation (SMILE) scale, assessing lifestyle behaviors during the COVID-19 pandemic. Depression and anxiety were examined using the PHQ-2 and the GAD-7, respectively. Elastic net, random forest, and gradient tree boosting were used to develop predictive models. Each technique used a subset of the Spanish sample to train the models, which were then tested internally (vs. the remainder of the Spanish sample) and externally (vs. the full Brazilian sample), evaluating their effectiveness. RESULTS: The study sample included 22,562 individuals (19,069 from Brazil, and 3,493 from Spain). The models developed performed similarly and were equally effective in predicting depression and anxiety in both tests, with internal test AUC-ROC values of 0.85 (depression) and 0.86 (anxiety), and external test AUC-ROC values of 0.85 (depression) and 0.84 (anxiety). Meaning of life was the strongest predictor of depression, while sleep quality was the strongest predictor of anxiety during the COVID-19 epidemic. CONCLUSIONS: Specific lifestyle behaviors during the early COVID-19 epidemic successfully predicted the presence of depression and anxiety in a large Brazilian sample using machine learning models developed on a Spanish sample. Targeted interventions focused on promoting healthier lifestyles are encouraged.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».