EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

Predicting anxiety, depression, and insomnia among Bangladeshi university students using tree‐based machine learning models

Vorhersage von Angst, Depression und Insomnie bei bangladeschischen Universitätsstudierenden mit baumbasierten Machine-Learning-Modellen

Arman Hossain Chowdhury iD, Dana Rad, Md Siddikur Rahman iD

Health Science Reports · 2024-04 · 7 (4)

DOI: 10.1002/hsr2.2037 ↗

Auf einen Blick

In einer Querschnittsbefragung von 1.250 Studierenden sagten baumbasierte ML-Modelle Angst, Depression und Insomnie voraus. XGBoost zeigte die beste Vorhersageleistung.

Fragestellung

Welche Risikofaktoren lassen sich für Angst, Depression und Insomnie bei bangladeschischen Universitätsstudierenden mit baumbasierten ML-Modellen identifizieren und vorhersagen?

Methode

Querschnittsstudie mit sozialmedienbasierter Befragung; Symptome mit GAD-7, PHQ-9 und ISI-7 erfasst; Modelle: DT, RF und XGBoost; Bewertung mit Confusion Matrix und ROC-Kurven.

Ergebnisse

1250 Studierende; 64,7 % männlich, 35,3 % weiblich; 83,3 % mit moderater bis schwerer Angst, 84,7 % mit moderater bis schwerer Depression, 76,5 % mit moderater bis schwerer Insomnie. Haupt-Risikofaktoren: Social-Media-Sucht, Alter, Studienleistung, Rauchstatus, Familieneinkommen, Morgen-/Abendtyp.

Schlussfolgerung der Autor:innen

Die Autor:innen sehen die Ergebnisse als nützlich für Stakeholder, Familien und politische Entscheidungsträger. Das Modell könnte eine Rolle bei Diagnose und Vorhersage psychischer Probleme spielen.

Kernaussagen

  • XGBoost hatte die beste Vorhersageleistung
  • Häufig: moderate bis schwere Angst, Depression und Insomnie
  • Wesentliche Risikofaktoren waren u. a. Social-Media-Sucht und Alter

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Health Science Reports, online erschienen am 21.04.2024. Verfasst von Arman Hossain Chowdhury und 2 weiteren Autor:innen. Beteiligte Einrichtung: Department of Statistics Begum Rokeya University Rangpur Bangladesh. Die Arbeit wurde bisher 39-mal zitiert (Crossref) und nennt 87 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background and Aims Mental health problem is a rising public health concern. People of all ages, specially Bangladeshi university students, are more affected by this burden. Thus, the objective of the study was to use tree‐based machine learning (ML) models to identify major risk factors and predict anxiety, depression, and insomnia in university students.

Methods

A social media‐based cross‐sectional survey was employed for data collection. We used Generalized Anxiety Disorder (GAD‐7), Patient Health Questionnaire (PHQ‐9) and Insomnia Severity Index (ISI‐7) scale for measuring students' anxiety, depression and insomnia problems. The tree‐based supervised decision tree (DT), random forest (RF) and robust eXtreme Gradient Boosting (XGBoost) ML algorithms were used to build the prediction models and their predictive performance was evaluated using confusion matrix and receiver operating characteristic (ROC) curves.

Results

Of the 1250 students surveyed, 64.7% were male and 35.3% were female. The students' ages ranged from 18 to 26 years old, with an average age of 22.24 years (SD = 1.30). Majority of the students (72.6%) were from rural areas and social media addicted (56.6%). Almost 83.3% of the students had moderate to severe anxiety, 84.7% had moderate to severe depression and 76.5% had moderate to severe insomnia problems. Students' social media addiction, age, academic performance, smoking status, monthly family income and morningness‐eveningness are the main risk factors of anxiety, depression and insomnia. The highest predictive performance was observed from the XGBoost model for anxiety, depression and insomnia.

Conclusion

The study findings offer valuable insights for stakeholders, families and policymakers enabling a more profound comprehension of the pressing mental health disorders. This understanding can guide the formulation of improved policy strategies, initiatives for mental health promotion, and the development of effective counseling services within university campus. Additionally, our proposed model might play a critical role in diagnosing and predicting mental health problems among Bangladeshi university students and similar settings.

Schlagwörter

Stichwörter der Autor:innen

mental healthmorningness‐eveningnesspredictive modelsrisk factorssocial‐media addiction

Autor:innen und Institutionen

  • Department of Statistics Begum Rokeya University Rangpur Bangladesh.
  • Center of Research Development and Innovation in Psychology Aurel Vlaicu University of Arad Arad Romania.

ORCID-Profile: Arman Hossain Chowdhury, Md Siddikur Rahman

Zitieren

APA

Chowdhury, A. H., Rad, D., & Rahman, M. S. (2024). Predicting anxiety, depression, and insomnia among Bangladeshi university students using tree‐based machine learning models. Health Science Reports, 7(4). https://doi.org/10.1002/hsr2.2037

Vancouver

Chowdhury AH, Rad D, Rahman MS. Predicting anxiety, depression, and insomnia among Bangladeshi university students using tree‐based machine learning models. Health Science Reports. 2024;7(4). doi:10.1002/hsr2.2037

BibTeX
@article{Chowdhury2024,
  author = {Chowdhury, Arman Hossain and Rad, Dana and Rahman, Md Siddikur},
  title = {Predicting anxiety, depression, and insomnia among Bangladeshi university students using tree‐based machine learning models},
  journal = {Health Science Reports},
  year = {2024},
  volume = {7},
  number = {4},
  doi = {10.1002/hsr2.2037}
}
Kostenlos starten →