Diagnosing Suicidal Ideation from Resting State EEG Data Using a Machine Learning Algorithm
Notice bibliographique
Résumé
Suicide poses a global health crisis with significant social and economic impact. Prevention may be possible if objective quantitative methods are developed to supplement the often inaccurate interview-based risk assessments. Our research goal is to develop a machine learning algorithm (MLA) to predict the presence of suicide ideation from resting state electroencephalography (EEG) data collected from 224 subjects with major depressive disorder (MDD) in the Establishing Moderators and Biosignatures of Antidepressant Response for Clinical Care for Depression (EMBARC) study. Using the Concise Health Risk Tracking Self-Report (CHRT-SR14) questionnaire, 194 subjects acknowledged having suicidal ideation (group 1) and 30 did not (group 2). We balanced the database by matching 30 subjects from group 1 using propensity score analysis. A four-step prediction algorithm was then applied to the selected data including 1) EEG data preprocessing, 2) brain source localization (BSL) using the robust exact low-resolution electromagnetic tomography (ReLORETA) method, 3) determining the connectivity between the brain regions using symbolic transfer entropy (STE), 4) applying MLA to the STE features. Three common classifiers, Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbor (KNN) were used in this study. Using 70% of the data for training and evaluation and 30% for testing, all three classifiers delivered a high accuracy, where the highest performance belonged to SVM with 88.9% accuracy. These findings support the potential utility of ML analysis of EEG data as a non-verbal way to enhance the accuracy of suicide risk evaluation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».