机器学习筛查海员焦虑抑郁：Catboost算法优于其他

本文探讨了海员心理健康的重要性，特别关注焦虑和抑郁这两种常见问题。在全球范围内，心理健康问题已经成为一个日益严峻的公共卫生挑战，世界卫生组织强调其对个体健康和福祉的影响。根据估计，抑郁症在高收入和中低收入国家的终身患病率分别为14.6%和11.1%，而焦虑症的全球患病率也相当可观。 针对这一问题，本文的焦点在于利用机器学习技术来提高海员的焦虑和抑郁筛查效率。作者们在印度Haldia码头综合体对470名海员进行了研究，收集了包括社会人口统计学、职业特征和健康信息在内的数据，并通过医院焦虑抑郁量表评估他们的心理健康状况。研究者比较了五种机器学习算法：Catboost、Logistic回归、朴素贝叶斯、随机森林和支持向量机，以评估它们在海员筛查中的性能。 具体结果显示，Catboost算法表现出色，其准确度和精密度分别达到了82.6%和84.1%，这表明它在自动化筛查过程中具有较高的可靠性。研究结论指出，机器学习技术有潜力显著提升海员心理健康筛查的效率，通过计算机化的自动程序取代传统手动过程，有助于早期识别处于风险的海员并提供及时的心理咨询和治疗。 这项研究为海员心理健康管理提供了创新的工具，展示了如何运用现代科技手段解决实际健康问题，同时强调了对精神疾病筛查的持续关注和投入，以促进全球范围内海员的整体健康和福祉。未来的研究可能进一步优化算法，提升筛查的精确性和普适性，从而更好地服务于全球海上工作者的身心健康。