产后抑郁预测模型的分类与比较

doi:10.12114/j.issn.1007-9572.2022.0209

中国全科医学 ›› 2022, Vol. 25 ›› Issue (24): 3036-3042.DOI: 10.12114/j.issn.1007-9572.2022.0209

所属专题：精神卫生最新文章合集

产后抑郁预测模型的分类与比较

王永剑¹, 齐伟静¹, 王翼鹏¹, 黄莎¹, 李丛¹, 魏娜², 胡洁¹^,^*()

¹050000　河北省石家庄市，河北医科大学临床人文关爱与护理研究中心
²050000　河北省石家庄市，河北医科大学护理学院

收稿日期:2022-02-05 修回日期:2022-05-15 出版日期:2022-08-20 发布日期:2022-06-02
通讯作者: 胡洁
王永剑，齐伟静，王翼鹏，等.产后抑郁预测模型的分类与比较[J].中国全科医学，2022，25（24）：3036-3042.[www.chinagp.net]
作者贡献：王永剑提出研究方向，进行论文的构思与设计，负责撰写论文；王翼鹏负责检索文献，收集及汇总资料；黄莎、李丛及魏娜负责审查矫正，对论文进行修改；齐伟静、胡洁负责论文的总体质量控制，对文章整体负责；所有作者共同确认了论文的最终稿。
基金资助:
国家自然科学基金资助项目(72074067)

Classification and Comparative Analysis of Prediction Models for Postpartum Depression

Yongjian WANG¹, Weijing QI¹, Yipeng WANG¹, Sha HUANG¹, Cong LI¹, Na WEI², Jie HU¹^,^*()

¹Clinical Humanistic Care and Nursing Research Center, Hebei Medical University, Shijiazhuang 050000, China
²School of Nursing, Hebei Medical University, Shijiazhuang 050000, China

Received:2022-02-05 Revised:2022-05-15 Published:2022-08-20 Online:2022-06-02
Contact: Jie HU
About author:
WANG Y J, QI W J, WANG Y P, et al. Classification and comparative analysis of prediction models for postpartum depression[J]. Chinese General Practice, 2022, 25 (24) : 3036-3042.

分享到

摘要/Abstract

摘要： 产后抑郁（PPD）是产妇常见的心理健康问题，是生物-心理-社会多种因素共同作用的结果，严重影响着产妇及婴幼儿的身心健康。个性化识别产妇孕期危险因素并预测PPD的发生风险可为PPD的早期识别和早期干预提供时间和空间。近年来，构建PPD预测模型广泛应用于PPD病因学研究领域，对不同类型的PPD预测模型进行分类与比较能为选择合适的方法构建PPD预测模型提供重要参考，有助于拓展PPD筛查与诊断的形式。

关键词: 抑郁症，产后, 预测模型, 危险因素, 机器学习, 综述

Abstract:

Postpartum depression (PPD) is a common maternal mental health issue induced by a combination of biopsychosocial factors, which seriously affects the physical and mental health of mothers and infants. Screening for individual maternal risk factors during pregnancy for predicting PPD will contribute to early identification and treatment of PPD. Many prediction models have been developed and extensively used in the research on the etiology of PPD, and classifying and comparing different types of the models could provide an important reference for selecting a rational method for developing the model, and help to increase the forms of PPD screening and diagnosis.

Key words: Depression, postpartum, Prediction model, Risk factors, Machine learning, Review

王永剑,齐伟静,王翼鹏,等. 产后抑郁预测模型的分类与比较[J]. 中国全科医学, 2022, 25(24): 3036-3042. DOI: 10.12114/j.issn.1007-9572.2022.0209.
Yongjian WANG,Weijing QI,Yipeng WANG, et al. Classification and Comparative Analysis of Prediction Models for Postpartum Depression[J]. Chinese General Practice, 2022, 25(24): 3036-3042. DOI: 10.12114/j.issn.1007-9572.2022.0209.

参考文献 49

[1]	WALKER A L，DE ROOIJ S R，DIMITROVA M V，et al. Psychosocial and peripartum determinants of postpartum depression：findings from a prospective population-based cohort. The ABCD study[J]. Compr Psychiatry，2021，108：152239. DOI：10.1016/j.comppsych.2021.152239.
[2]	QI W J，ZHAO F Q，LIU Y T，et al. Psychosocial risk factors for postpartum depression in Chinese women：a meta-analysis[J]. BMC Pregnancy Childbirth，2021，21（1）：174. DOI：10.1186/s12884-021-03657-0.
[3]	PAYNE J L，MAGUIRE J. Pathophysiological mechanisms implicated in postpartum depression[J]. Front Neuroendocrinol，2019，52：165-180. DOI：10.1016/j.yfrne.2018.12.001.
[4]	YIM I S，TANNER STAPLETON L R，GUARDINO C M，et al. Biological and psychosocial predictors of postpartum depression：systematic review and call for integration[J]. Annu Rev Clin Psychol，2015，11：99-137. DOI：10.1146/annurev-clinpsy-101414-020426.
[5]	STEYERBERG E W. Clinical prediction models [M]. New York：Springer，2019：1-15.
[6]	MOONS K G M，WOLFF R F，RILEY R D，et al. PROBAST：a tool to assess risk of bias and applicability of prediction model studies：explanation and elaboration[J]. Ann Intern Med，2019，170（1）：W1-33. DOI：10.7326/M18-1377.
[7]	VAN SMEDEN M，REITSMA J B，RILEY R D，et al. Clinical prediction models：diagnosis versus prognosis[J]. J Clin Epidemiol，2021，132：142-145. DOI：10.1016/j.jclinepi.2021.01.009.
[8]	OBROCHTA C A，CHAMBERS C，BANDOLI G. Psychological distress in pregnancy and postpartum[J]. Women Birth，2020，33（6）：583-591. DOI：10.1016/j.wombi.2020.01.009.
[9]	PITT B. "Atypical" depression following childbirth[J]. Br J Psychiatry，1968，114（516）：1325-1335. DOI：10.1192/bjp.114.516.1325.
[10]	COOPER J. Diagnostic and Statistical Manual of Mental Disorders （4th edn，text revision）（DSM-Ⅳ-TR） Washington，DC：American Psychiatric Association 2000.943 pp. ￡39.99 （hb）. ISBN 0 89042 025 4[J]. Br J Psychiatry，2001，179（1）：85. DOI：10.1192/bjp.179.1.85-a.
[11]	American Psychiatric Association. Diagnostic and statistical manual of mental disorders[M]. 5th ed. Arlinton：American Psychiatric Association，2013：591-643
[12]	HAHN-HOLBROOK J，CORNWELL-HINRICHS T，ANAYA I. Economic and health predictors of national postpartum depression prevalence：a systematic review，meta-analysis，and meta-regression of 291 studies from 56 countries[J]. Front Psychiatry，2017，8：248. DOI：10.3389/fpsyt.2017.00248.
[13]	TOMFOHR-MADSEN L M，RACINE N，GIESBRECHT G F，et al. Depression and anxiety in pregnancy during COVID-19：a rapid review and meta-analysis[J]. Psychiatry Res，2021，300：113912. DOI：10.1016/j.psychres.2021.113912.
[14]	GELAYE B，RONDON M B，ARAYA R，et al. Epidemiology of maternal depression，risk factors，and child outcomes in low-income and middle-income countries[J]. Lancet Psychiatry，2016，3（10）：973-982. DOI：10.1016/S2215-0366(16)30284-X.
[15]	NISAR A，YIN J，WAQAS A，et al. Prevalence of perinatal depression and its determinants in Mainland China：a systematic review and meta-analysis[J]. J Affect Disord，2020，277：1022-1037. DOI：10.1016/j.jad.2020.07.046.
[16]	MU T Y，LI Y H，PAN H F，et al. Postpartum depressive mood （PDM） among Chinese women：a meta-analysis[J]. Arch Womens Ment Health，2019，22（2）：279-287. DOI：10.1007/s00737-018-0885-3.
[17]	WANG Y Y，KONG F，QIAO J. Gender equity，caregiving，and the 1-2-3-child policy in China——authors' reply[J]. Lancet，2021，398（10304）：953-954. DOI：10.1016/S0140-6736(21)01749-9.
[18]	STEYERBERG E W. Statistical Models for Prediction[M]//STEYERBERG E W. Clinical Prediction Models：A Practical Approach to Development，Validation，and Updating.2nd Ed. Cham：Springer International Publishing. 2019：59-93. DOI：10.1007/978-3-030-16399-0_4.
[19]	HASTIE T，TIBSHIRANI R，FRIEDMAN J. The elements of statistical learning：data mining，inference，and prediction[M]. 2nd ed. New York：Springer，2009：9-40. DOI：10.1007/978-0-387-21606-5.
[20]	MARACY M R，KHEIRABADI G R. Development and validation of a postpartum depression risk score in delivered women，Iran[J]. J Res Med Sci，2012，17（11）：1067-1071.
[21]	NAKANO M，SOURANDER A，LUNTAMO T，et al. Early risk factors for postpartum depression：a longitudinal Japanese population-based study[J]. J Affect Disord，2020，269：148-153. DOI：10.1016/j.jad.2020.03.026.
[22]	ZABOR E C，REDDY C A，TENDULKAR R D，et al. Logistic regression in clinical studies[J]. Int J Radiat Oncol Biol Phys，2022，112（2）：271-277. DOI：10.1016/j.ijrobp.2021.08.007.
[23]	ÇANKAYA S. The effect of psychosocial risk factors on postpartum depression in antenatal period：a prospective study[J]. Arch Psychiatr Nurs，2020，34（3）：176-183. DOI：10.1016/j.apnu.2020.04.007.
[24]	TIBSHIRANI R. Regression shrinkage and selection via the lasso：a retrospective[J]. J Royal Stat Soc Ser B Stat Methodol，2011，73（3）：273-282. DOI：10.1111/j.1467-9868.2011.00771.x.
[25]	SAFAVIAN S R，LANDGREBE D. A survey of decision tree classifier methodology[J]. IEEE Trans Syst Man Cybern，1991，21（3）：660-674. DOI：10.1109/21.97458.
[26]	BREIMAN L. Bagging predictors[J]. Mach Learn，1996，24（2）：123-140. DOI：10.1007/bf00058655.
[27]	BREIMAN L. Random forests [J]. Machine Learning，2001，45：5-32. DOI：10.1023/A:1010933404324.
[28]	TANG F，ISHWARAN H. Random forest missing data algorithms[J]. Stat Anal Data Min ASA Data Sci J，2017，10（6）：363-377. DOI：10.1002/sam.11348.
[29]	肖美丽，晏春丽，付冰，等. 随机森林算法在产后抑郁风险预测中的应用[J]. 中南大学学报：医学版，2020，45（10）：1215-1222. DOI：10.11817/j.issn.1672-7347.2020.190655.
[30]	CHEN T Q，GUESTRIN C. XGBoost：a scalable tree boosting system[C]//KDD '16：Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016：785-794. DOI：10.1145/2939672.2939785.
[31]	HOCHMAN E，FELDMAN B，WEIZMAN A，et al. Development and validation of a machine learning-based postpartum depression prediction model：a nationwide cohort study[J]. Depress Anxiety，2021，38（4）：400-411. DOI：10.1002/da.23123.
[32]	WEBB G.I. Naïve Bayes[M/OL]//Sammut C. Webb G. Encyclopedia of Machine Learning and Data Mining. Boston：Springer，2016：1-2.[2022-01-15].
[33]	JIMÉNEZ-SERRANO S，TORTAJADA S，GARCÍA-GÓMEZ J M. A mobile health application to predict postpartum depression based on machine learning[J]. Telemed J E Health，2015，21（7）：567-574. DOI：10.1089/tmj.2014.0113.
[34]	BERGER J O. Statistical decision theory and Bayesian analysis [M]. New York：Springer Science & Business Media，2013：218-247. DOI：10.1007/978-1-4757-4286-2.
[35]	HEARST M A，DUMAIS S T，OSUNA E，et al. Support vector machines [J]. IEEE Intelligent Systems，1998，13（4）：18-28. DOI：10.1109/5254.708428.
[36]	ZHANG W N，LIU H，SILENZIO V M B，et al. Machine learning models for the prediction of postpartum depression：application and comparison based on a cohort study[J]. JMIR Med Inform，2020，8（4）：e15516. DOI：10.2196/15516.
[37]	MEYER D，LEISCH F，HORNIK K. The support vector machine under test[J]. Neurocomputing，2003，55（1/2）：169-186. DOI：10.1016/S0925-2312(03)00431-4.
[38]	KRIEGESKORTE N，GOLAN T. Neural network models and deep learning[J]. Curr Biol，2019，29（7）：R231-236. DOI：10.1016/j.cub.2019.02.034.
[39]	LEK S，PARK Y S. Multilayer Perceptron [M]. Oxford：Academic Press，2008：2455-2462. DOI：10.1016/B978-008045405-4.00162-2.
[40]	RUMELHART D E，HINTON G E，WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature，1986，323（6088）：533-536. DOI：10.1038/323533a0.
[41]	FATIMA I，ABBASI B，KHAN S，et al. Prediction of postpartum depression using machine learning techniques from social media text [J]. Expert Systems，2019，36（4）：e12409. DOI：10.1111/exsy.12409.
[42]	SHIN D，LEE K J，ADELUWA T，et al. Machine learning-based predictive modeling of postpartum depression[J]. J Clin Med，2020，9（9）：E2899. DOI：10.3390/jcm9092899.
[43]	ANDERSSON S，BATHULA D R，ILIADIS S I，et al. Predicting women with depressive symptoms postpartum with machine learning methods[J]. Sci Rep，2021，11（1）：7877. DOI：10.1038/s41598-021-86368-y.
[44]	HARRELL F E. Regression Modeling Strategies：With Applications to LinearModels，Logistic and Ordinal Regression，and Survival Analysis[M]. 2nd ed. New York：Springer，2019：63-102. DOI：10.1007/978-3-319-19425-7.
[45]	PODGORELEC V，KOKOL P，STIGLIC B，et al. Decision trees：an overview and their use in medicine [J]. J Med Syst，2002，26（5）：445-463. DOI：10.1023/A:1016409317640.
[46]	YU R J，ABDEL-ATY M. Utilizing support vector machine in real-time crash risk evaluation[J]. Accid Anal Prev，2013，51：252-259. DOI：10.1016/j.aap.2012.11.027.
[47]	RILEY R D，ENSOR J，SNELL K I E，et al. Calculating the sample size required for developing a clinical prediction model[J]. BMJ，2020，368：m441. DOI：10.1136/bmj.m441.
[48]	STEYERBERG E W，HARRELL F E Jr，BORSBOOM G J，et al. Internal validation of predictive models：efficiency of some procedures for logistic regression analysis[J]. J Clin Epidemiol，2001，54（8）：774-781. DOI：10.1016/s0895-4356(01)00341-9.
[49]	JUSTICE A C，COVINSKY K E，BERLIN J A. Assessing the generalizability of prognostic information[J]. Ann Intern Med，1999，130（6）：515-524. DOI：10.7326/0003-4819-130-6-199903160-00016.

产后抑郁预测模型的分类与比较

Classification and Comparative Analysis of Prediction Models for Postpartum Depression

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献 49

相关文章 15

编辑推荐

Metrics

留言

[1]	王旭, 魏戌, 朱立国, 冯天笑, 王志鹏, 师彬. 医工结合的中医手法治疗脊柱退行性疾病疗效机制研究：思路与前景[J]. 中国全科医学, 2023, 26(33): 4118-4124.
[2]	辛功恺, 丛欣, 袁磊, 程悦彤, 倪翠萍, 张巍巍, 張平平, 刘宇. 失智症老年人综合评估工具的研究进展[J]. 中国全科医学, 2023, 26(33): 4103-4109.
[3]	张思宇, 周郁秋, 杜晓慧, 王正君. 精神病未治期及其早期干预的研究进展[J]. 中国全科医学, 2023, 26(33): 4110-4117.
[4]	刘伟娜, 葛海燕, 马静, 曹琴英, 白星宇, 崔士芳, 乔彦霞. 脐血维生素A和维生素E水平与早产儿发生呼吸窘迫综合征的关系研究[J]. 中国全科医学, 2023, 26(33): 4152-4158.
[5]	李纪新, 邱林杰, 任燕, 王文茹, 李美洁, 张晋. 膳食炎症指数与超重和肥胖及腹型肥胖关系的Meta分析[J]. 中国全科医学, 2023, 26(32): 4089-4097.
[6]	马丽媛, 王增武, 樊静, 胡盛寿. 《中国心血管健康与疾病报告2022》要点解读[J]. 中国全科医学, 2023, 26(32): 3975-3994.
[7]	李雨荆, 晋一超, 陈醒, 嵇梦颖, 戴辉华. 服用他莫昔芬的乳腺癌患者宫腔镜检出子宫内膜病变的危险因素研究[J]. 中国全科医学, 2023, 26(32): 4026-4030.
[8]	孟江涛, 杨思宇, 孙蕾, 雷瑞宁, 赵晓霞. 弥散张量成像联合运动诱发电位评估脑梗死偏瘫患者运动功能预后价值的研究进展[J]. 中国全科医学, 2023, 26(32): 4098-4102.
[9]	王佳欣, 赵亚利. 国内外医疗团队合作评估工具系统综述[J]. 中国全科医学, 2023, 26(31): 3951-3962.
[10]	卫梦雨, 王佳佳, 张莹莹, 李春阳, 李建生. 阻塞性睡眠呼吸暂停患者报告结局测评工具研究现状分析[J]. 中国全科医学, 2023, 26(30): 3725-3733.
[11]	苑喜微, 南月敏. 线粒体融合蛋白2的结构和功能及其在肝脏疾病中作用机制的研究进展[J]. 中国全科医学, 2023, 26(30): 3841-3846.
[12]	肖雨倩, 白艳杰, 王岩, 陈淑颖, 陈丽敏, 孙可心, 万俊. 线粒体转移在脑卒中后认知障碍中的研究进展[J]. 中国全科医学, 2023, 26(30): 3833-3840.
[13]	刘煜, 岳婷, 杨东宇, 赵中亭, 杨吉勃, 朱田田. 自噬在类风湿关节炎发病机制中的研究进展[J]. 中国全科医学, 2023, 26(29): 3710-3714.
[14]	王珍, 申国旗, 李亚南, 朱英华, 仇航, 郑迪, 徐通达, 李文华. 急性心肌梗死患者行经皮冠状动脉介入治疗术后发生对比剂急性肾损伤风险预测模型的建立与验证研究[J]. 中国全科医学, 2023, 26(29): 3650-3656.
[15]	蒲瑜, 张吉翔, 董卫国. 铁死亡与炎症性肠病的研究进展[J]. 中国全科医学, 2023, 26(29): 3698-3703.