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辑

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]	王婷婷, 唐勇, 张文轲, 李志刚. 高尿酸血症运动干预的研究进展[J]. 中国全科医学, 2025, 28(30): 3841-3846.
[2]	贾高鹏, 陈秋雨. 老年急性ST段抬高型心肌梗死经皮冠状动脉介入治疗术后心绞痛复发风险预测模型构建和验证：基于CYP2C19相关基因检测[J]. 中国全科医学, 2025, 28(30): 3779-3786.
[3]	徐百川, 王艳, 张彭, 李艺婷, 刘飞来, 谢洋. 慢性阻塞性肺疾病共病肺癌筛查工具分析[J]. 中国全科医学, 2025, 28(30): 3847-3852.
[4]	李玲, 李雅萍, 钱时兴, 聂婧, 陆春华, 李霞. 社区中老年人认知功能影响因素及风险预测研究[J]. 中国全科医学, 2025, 28(30): 3773-3778.
[5]	周晟, 邓长生, 邹冠炀, 宋健平. 疟疾心血管疾病并发症发病机制的研究进展[J]. 中国全科医学, 2025, 28(27): 3466-3472.
[6]	邵晓颖, 邵洁, 朱焱, 邵金玲, 尚灵, 吴振莲, 赵钰, 张加才. 贵州省6~36月龄儿童铁缺乏现状及缺铁性贫血影响因素研究[J]. 中国全科医学, 2025, 28(27): 3368-3374.
[7]	黄雨琳, 王浩云, 李燕梅, 萧雪英. 胃癌患者化疗期间症状群的范围综述[J]. 中国全科医学, 2025, 28(26): 3338-3344.
[8]	刘银银, 隋鸿平, 李婷婷, 姜桐桐, 史铁英, 夏云龙. 乳腺癌治疗相关心脏毒性风险预测模型的研究进展[J]. 中国全科医学, 2025, 28(24): 3072-3078.
[9]	李苗秀, 朱博文, 孔令军, 房敏. 青少年脊柱侧弯保守治疗临床评估工具研究进展[J]. 中国全科医学, 2025, 28(24): 3079-3088.
[10]	肖瑶, 万钧. 直接口服抗凝药在静脉血栓栓塞特殊人群中的临床应用[J]. 中国全科医学, 2025, 28(24): 3066-3071.
[11]	蒋世华, 朱政, 任盈盈, 朱垚磊, 王越, 高希彬. 中国儿童青少年近视患病率及影响因素的Meta分析[J]. 中国全科医学, 2025, 28(24): 3043-3052.
[12]	阮万百, 李俊峰, 尹艳梅, 彭磊, 朱克祥. 胰腺癌靶向治疗及免疫治疗的研究新进展[J]. 中国全科医学, 2025, 28(23): 2950-2960.
[13]	周连鹏, 李伟峰, 董新刚, 王晓元. 铜稳态调节机制在认知障碍中的作用探析[J]. 中国全科医学, 2025, 28(23): 2941-2949.
[14]	吴莎, 张代义, 李晋, 宣勤考, 钱晓东, 朱传武, 浦剑虹, 朱莉. 基于体检队列的代谢相关脂肪性肝病与高血糖关联及联合预测模型构建研究[J]. 中国全科医学, 2025, 28(23): 2861-2869.
[15]	周倩, 吴晓敏, 王宝华, 严若菡, 蔚苗, 吴静. 胃癌发生风险的列线图预测模型研究[J]. 中国全科医学, 2025, 28(23): 2870-2877.