Enhancing Risk Prediction in Mental Health Using Ensemble Hybrid Models and Administrative Healthcare Data with Irregular Intervals
Notice bibliographique
Résumé
Risk prediction estimates the probability of future adverse outcomes for high-risk individuals to enable early intervention. Among all machine learning models, deep learning models can enhance risk predictions with respect to mental health (MH), where administrative healthcare data (Admin-HD) contain complex, irregular temporal information that a single model may not fully capture. This study aims to develop an ensemble hybrid deep-learning model (EnH-DL) to improve performance and reduce errors on unseen data compared to available deep-learning models. The model was evaluated in a cohort of individuals diagnosed with addiction or mental illness (AMH) to predict the risk of outcomes, such as the first healthcare encounter indicating homelessness (FHE-H) and the first healthcare encounters involving police (FHE-P). A sliding window and matrix-based representation were used in the preprocessing phase. Gated recurrent units (GRUs) with time decay, a one-dimensional (1D) convolutional neural network (CNN), and an attention function were integrated to build the EnH-DL. The results showed an average improvement in the area under the curve (AUC) by 2.5% and sensitivity by over 1.5%. An error reduction of over 0.22 indicates improved model reliability for unseen data. Tested in a clinical demand window to simulate real-world settings, the model achieved an 83% AUC and 79% sensitivity for FHE-H on a highly imbalanced test set. In conclusion, EnH-DL outperformed existing models for multiple MH outcomes using Admin-HD.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».