Machine learning models for predicting the risk of depressive symptoms in Chinese college students
Machine-Learning-Modelle zur Vorhersage des Risikos depressiver Symptome bei chinesischen Studierenden
Frontiers in Psychiatry · 05.08.2025 · 16
DOI: 10.3389/fpsyt.2025.1648585 ↗Auf einen Blick
Bei 1.635 chinesischen Studierenden sagte ein Random-Forest-Modell depressive Symptome am besten vorher. Die höchste Diskriminationsleistung lag bei AUC 0,87 und Accuracy 0,79.
Fragestellung
Wie gut können Machine-Learning-Modelle depressive Symptome bei chinesischen Studierenden vorhersagen?
Methode
Vergleich von 4 Machine-Learning-Algorithmen anhand von Daten von 1.635 chinesischen Studierenden mit 38 Variablen.
Ergebnisse
Random Forest erzielte die beste Leistung (AUC 0,87; Accuracy 0,79). Wichtige Prädiktoren waren Schlafstörung, wahrgenommener Stress, experiential avoidance und Selbstkritik.
Einschränkungen
Zur Generalisierbarkeit sollten künftige Studien vielfältigere Stichproben und physiologische Biomarker einbeziehen.
Schlussfolgerung der Autor:innen
Die Autor:innen sehen Random Forest als geeignet zur Erfassung komplexer Dateninteraktionen und für zielgerichtete psychische Interventionen.
Kernaussagen
- Random Forest zeigte die beste Vorhersageleistung (AUC 0,87; Accuracy 0,79).
- Schlafstörung und Stress waren wichtige Risikofaktoren.
- Weitere Studien sollen vielfältigere Stichproben und Biomarker prüfen.
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 Frontiers in Psychiatry, online erschienen am 05.08.2025. Verfasst von Chengfu Yu und 5 weiteren Autor:innen. Beteiligte Einrichtung: Department of Psychology/Research Center of Adolescent Psychology and Behavior, School of Education, Guangzhou University, Guangzhou, Guangdong, Chin…. Die Arbeit wurde bisher 20-mal zitiert (Crossref) und nennt 97 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Introduction
Depression is highly prevalent among college students, and accurately identifying risk factors is essential for timely intervention. Given the limitations of traditional linear models in managing high-dimensional data, this study employed machine learning techniques to predict depressive symptoms.
Method
Data were collected from 1,635 Chinese college students and included 38 sociodemographic, psychological, and social variables. Four machine- learning algorithms, Random Forest, XGBoost, LightGBM, and Support Vector Machine, were evaluated.
Results
Results showed that the Random Forest model achieved the highest discriminant performance with an AUC of 0.87 and an accuracy of 0.79, and identified key predictors such as sleep disturbance, perceived stress, experiential avoidance, and self-criticism. SHapley Additive exPlanations analysis further revealed that deteriorating sleep quality and heightened stress levels significantly increased the risk of depressive symptoms.
Discussion
These findings validate the effectiveness of Random Forest in capturing complex data interactions and offer actionable insights for targeted mental health interventions. Future studies should improve generalizability by incorporating more diverse samples and physiological biomarkers.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Psychology/Research Center of Adolescent Psychology and Behavior, School of Education, Guangzhou University, Guangzhou, Guangdong, China.
- School of Psychology, South China Normal University, Guangzhou, Guangdong, China.
Zitieren
APA
Yu, C., Kong, X., Yu, W., Ni, X., Chen, J., & Liao, X. (2025). Machine learning models for predicting the risk of depressive symptoms in Chinese college students. Frontiers in Psychiatry, 16. https://doi.org/10.3389/fpsyt.2025.1648585
Vancouver
Yu C, Kong X, Yu W, Ni X, Chen J, Liao X. Machine learning models for predicting the risk of depressive symptoms in Chinese college students. Frontiers in Psychiatry. 2025;16. doi:10.3389/fpsyt.2025.1648585
BibTeX
@article{Yu2025,
author = {Yu, Chengfu and Kong, Xiangxuan and Yu, Weijie and Ni, Xingcan and Chen, Jing and Liao, Xiaoyan},
title = {Machine learning models for predicting the risk of depressive symptoms in Chinese college students},
journal = {Frontiers in Psychiatry},
year = {2025},
volume = {16},
doi = {10.3389/fpsyt.2025.1648585}
}
EUVIMED