EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

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

Chengfu Yu, Xiangxuan Kong, Weijie Yu, Xingcan Ni, Jing Chen, Xiaoyan Liao

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).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

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

college studentsdepressive symptomsmachine learningrandom forestrisk and protective factors

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}
}
Kostenlos starten →