Predicting depression among men who have sex with men in Ghana using machine learning algorithms
Notice bibliographique
Résumé
Men who have sex with men (MSM) in Ghana face heightened risks of depression due to pervasive stigma, social exclusion, and legal discrimination. Despite this, depression remains underdiagnosed and undertreated in this population. This study applied seven tree-based machine learning (ML) models using tree-based classifiers: Decision Tree, Random Forest, Gradient Boosting, AdaBoost, XGBoost, LightGBM, and CatBoost to identify key psychosocial predictors of depression in a sample of 225 MSM aged 18-60 years. The dataset included sociodemographic variables, perceived stress (PSS), social isolation (internal and external), behavioural risk indicators, and stigma-related measures. After handling missing values, data were pre-processed with feature standardization and one-hot encoding. The Synthetic Minority Over-Sampling Technique was applied to address class imbalance. Model performance was evaluated using 5-fold cross-validation and metrics such as accuracy, precision, recall, F1 score, and ROC AUC. Among all models, Random Forest achieved the highest accuracy for the prediction of depression amongst MSM in Ghana. Feature importance analysis revealed that external social isolation (ExtSocialIso2), perceived stress (PSS14), and stigma due to same-sex behaviour (StigmaSSB9) were the most consistent predictors of depression. Variables related to resilience, gender non-conformity stigma, and sense of community belonging also contributed significantly. Depression among MSM in Ghana is closely linked to social isolation, stress, and identity-based stigma. Machine learning models, especially ensemble methods, can effectively identify individuals at risk. These findings underscore the need for culturally tailored mental health interventions and inclusive policies that address stigma and promote social support among MSM in Ghana.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».