Treffer: Identifying individuals at risk of post-stroke depression: Development and validation of a predictive model.

Objectives: To identify the factors associated with poststroke depression (PSD) and develop a machine learning predictive model using a large dataset, considering sociodemographic, lifestyle, and clinical factors. Methods: Our 2025 study used data from the 2023 Behavioral Risk Factor Surveillance System, released in September 2024. Data processing was carried out using Google Colab and Python. We carried out descriptive statistics, logistic regression, and feature importance analyses (mutual information and adjusted mutual information). A total of 4 machine-learning models were trained and evaluated: random forest, decision tree, gradient boosting, and logistic regression. Model performance was assessed using the accuracy, precision, recall, harmonic mean of precision and recall (F1- score), and area under the curve - receiver operating characteristic (AUC-ROC). The best-performing model was fine-tuned using GridSearchCV with 5-fold crossvalidation. Results: Increasing age, male gender, being married, higher income, and physical activity were associated with lower odds of PSD. Obesity, smoking, diabetes, and high cholesterol are associated with increased odds of PSD. Age and gender were the most informative features for predicting the PSD. Random forest demonstrated the best performance for predicting PSD (accuracy=0.73, precision=0.71, recall=0.77, F1-score=0.74, and AUC-ROC=0.81), which was further improved by hyperparameter optimization. Conclusion: Post-stroke depression's complex etiology involves sociodemographic, lifestyle, and clinical factors, notably age and gender. A random forest model effectively predicts PSD, highlighting the need for comprehensive assessment, early intervention, and management of modifiable risks (obesity, smoking, and inactivity) to improve stroke survivors' outcomes. [ABSTRACT FROM AUTHOR]

الأهداف: تحديد العوامل المرتبطة بالاكتئاب ما بعد السكتة الدماغية وتطوير نموذج تنبؤي للتعلم الآلي باستخدام مجموعة بيانات كبيرة، مع مراعاة العوامل الاجتماعية والديموغرافية ونمط الحياة والعوامل السريرية. ، لعام 2023 BREFSS المنهجية: استخدمت دراستنا لعام 2025 بيانات من Google والتي تم إصدارها في سبتمبر 2024. وقد تم إجراء معالجة البيانات في قمنا بإجراء إحصائيات وصفية، وتحليل الانحدار .Python باستخدام لغة Colab اللوجستي، وتحليل أهمية الميزات)المعلومات المتبادلة والمعلومات المتبادلة المعدلة(. random forest, decision tree, : تم تدريب وتقييم 4 نماذج للتعلم الآلي تقييم أداء النموذج باستخدام .logistic regression و gradient boosting قمنا بضبط .AUC-ROC و accuracy, precision recall, F1-score مع التحقق المتقاطع خماسي GridSearchCV النموذج الأفضل أداءً باستخدام .)5-fold cross-validation(الطيات ***النتائج: ارتبط التقدم في العمر، وكون الشخص ذكرًا، والحالة الزوجية)متزوج(، وارتفاع الدخل، والنشاط البدني بانخفاض احتمالات الإصابة بالاكتئاب ما بعد السكتة الدماغية. وارتبطت السمنة والتدخين ومرض السكري وارتفاع الكوليسترول بزيادة احتمالات الإصابة بالاكتئاب ما بعد السكتة الدماغية. كان العمر والجنس أكثر السمات إفادة للتنبؤ بالاكتئاب ما بعد السكتة الدماغية. أظهر أفضل أداء في التنبؤ بالاكتئاب ما بعد السكتة الدماغية random forest نموذج و accuracy=0.73, precision=0.71 recall=0.77, F1-score=0.74(وقد تحسن الأداء بشكل أكبر من خلال تحسين المعلمات. ،)AUC-ROC=0.81 ***الخلاصة: ينطوي سبب الاكتئاب ما بعد السكتة الدماغية على تداخل معقد بين العوامل الاجتماعية والديموغرافية ونمط الحياة والعوامل السريرية، ولا سيما العمر والجنس. ويتنبأ نموذج الغابة العشوائية بشكل فعال بالاكتئاب ما بعد السكتة الدماغية، مما يسلط الضوء على الحاجة إلى التقييم الشامل، والتدخل المبكر، وإدارة عوامل الخطر القابلة للتعديل)السمنة، والتدخين، والخمول(لتحسين نتائج الناجين من السكتة الدماغية. [ABSTRACT FROM AUTHOR]

Copyright of Saudi Medical Journal is the property of Saudi Medical Journal and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)