数据分析在精神卫生保健

文摘

据估计,在世界范围内,大约有7亿人患有精神疾病。近年来,由于广泛的增长率在精神障碍,有必要更好地理解心理健康问题的不足的结果。心理健康研究是具有挑战性的感知的局限性等道德原则的保护自治,同意,威胁和损害。在这个调查中,我们旨在调查研究大数据的方法被用于精神疾病和治疗。首先,不同类型的精神疾病,例如,躁郁症、抑郁症、人格障碍,进行了讨论。心理健康的影响对用户的行为,如自杀和药物成瘾是突出显示。的描述方法和工具提出了预测病人的精神状况的监督下人工智能和机器学习。

1。介绍

最近,“大数据”一词已成为非常受欢迎的世界各地。

在过去的几年中,大数据已开始涉足医疗体系。在这种情况下,科学家们一直致力于改善公共卫生策略,提供病人护理医学研究,通过分析大数据集有关他们的健康。

来自不同数据源的数据提供者(药房和病人的历史)和nonproviders(手机和互联网搜索)。的一个杰出的可能性可以从庞大的数据利用在医疗行业是显而易见的。医疗组织有一个大数量的信息,很大一部分的非结构化和临床应用。使用大数据预计将增长在医学领域,它将继续带来获利机会的解决方案,可以帮助拯救病人的生命。大数据需要被正确地为了预测未来数据,以便最终结果可以估计。为了解决这个问题,研究人员正致力于人工智能算法有很高的影响分析,大量的原始数据和提取有用的信息。有品种的人工智能算法用于预测病人疾病通过观察过去的数据。不同的传感器开发了处理身体和社会交往实践。

测量一个人的心理健康优质的情感障碍导致抑郁症和焦虑症。有许多条件被认为是精神疾病包括焦虑症,抑郁症,情绪障碍和人格障碍。有大量的移动应用,智能设备,如smartwatches和智能乐队在移动精神卫生保健系统增加卫生保健设施。个性化的精神病学也扮演重要的角色在预测双相情感障碍和改善诊断和优化治疗。大部分的智能技术并不追求由于缺乏资源尤其是下降的国家。在巴基斯坦,0·1%的政府卫生预算花费在心理健康系统。需要一个合理的解决方案来检测抑郁症在巴基斯坦,这样每个人都能注意到它。

研究人员正在研究许多机器学习算法来分析原始数据推断出有意义的信息。现在不可能在医疗管理数据与传统的数据库管理工具现在在tb和pb的数据。在这个调查中,我们分析了不同的精神卫生保健问题,使用大数据。我们分析不同精神疾病如双相情感疾病,阿片样物质使用障碍,人格障碍,不同的焦虑症,抑郁症。社交媒体是一个最大的和最强大的资源为数据收集每10个人中就有9现在使用社交网站。Twitter,大多数研究者关注的主要焦点的人平均每分钟写500000条推讯。Twitter是用于商业领域的情感分析和意见挖掘为了检查通过观察客户推产品的受欢迎程度。我们有很多的结构和非结构化数据以达到任何决定;数据必须被处理并存储在这样一种方式,遵循相同的结构。我们分析和比较了不同的存储模型在不同条件下mongo DB和Hadoop是两种不同的方法来存储大量的数据。 Hadoop works on cloud computing that helps to accomplish different operations on distributed data in a systematic manner.

在这个调查中我们将讨论心理健康问题与大数据进一步四部分。第二部分描述了关于精神卫生保健相关工作和最新的研究。第三部分描述了不同类型的精神疾病和他们的解决方案在数据的科学。第四节描述精神病人所面临的不同的违法问题和早期发现这些类型的活动。第五节描述数据科学的不同方法对精神卫生保健系统,如不同的健康数据训练和测试方法对于早期预测监督和非监督学习方法和人工神经网络(ANN)。

2。文献综述

有很多精神疾病如双相情感障碍,抑郁,和不同形式的焦虑。鲍尔et al。1)进行了纸质调查中,来自17个国家的1222名患者参与检测成人双相情感障碍。这个调查是翻译成12种不同的语言和一些限制,它不包含任何关于技术使用在老年人的问题。根据鲍尔et al。1)、数字处理不适合老年人患有双相情感障碍。

研究人员正致力于巨大利益的最有趣和独特的方法来检查一个人的个性就通过观察他或她的方式是使用移动电话。De Montjoye [2)收集了美国研究型大学的数据集,创建了一个框架,分析了电话和短信来检查用户的个性。参与者每年做300个电话或文本未能完整人格的措施。他们选择最优样本容量与平均年龄69 = 30.4,s d = 6.1和1缺失值。同样,Bleidorn和霍普伍德(3)采取了全面的机器学习的方法来测试用户的个性使用社交媒体和数字记录。主要9建议如何合并研究员提供的机器学习技术提高的五大人格评估。专注于小细节的用户理解和验证结果。数字的心理健康已经彻底改变了及其创新高的速度迅速成长。国民医疗服务制度(NHS)已经认识到其重要性在心理保健和正在寻找创新以低成本提供服务。山等。4)提出了一个研究的挑战和注意事项在创新数字精神卫生保健。产业工人,他们还建议临床医师之间的协作和服务用户,这样可以克服这些挑战和成功创新e-therapies和数字应用程序可以开发。

有大量的移动应用,智能设备如smartwatches,聪明的乐队,和衬衫增加医疗设施的移动医疗系统。不同的传感器发展处理身体和社会交往实践。结合人工智能与医疗系统扩展了医疗设施更上一层楼。季米特洛夫(5)进行了系统的调查在移动物联网的设备允许业务出现,生产力改进传播,锁定成本,加强客户体验和改变以一种积极的方式。同样,环球et al。6)进行了纸质调查临床数据挖掘分析不同数据源获得精神病学数据和优化优先级精神病学的机会。

的机器学习算法命名为人工神经网络(ANN)是基于三层体系结构。Kellmeyer [7]介绍了一种安全的大脑数据从临床和消费者定向neurotechnological设备使用安。但这个模型需要大量的训练数据得到准确的结果。江et al。8)设计和开发了一种可穿戴设备multisensing功能,包括音频感知、行为监控,环境和生理感知评估语音信息和自动删除原始数据。测试学生被分成两组,那些过度分数或过度得分。参与者被要求穿的设备,以确保数据的真实性。但面临的主要挑战之一,使物联网的设备是安全的通信。

杨et al。9发明了一个物联网可穿戴设备启用对心理健康和一些外部设备来记录语音数据。这种便携设备能够识别运动,压力,监测,和生理状态的一个人。有很多技术,生产跟踪数据,如智能手机、信用卡、网站、社交媒体,和传感器提供的好处。环球和格伦10]阐述了一些使用人类由算法生成的数据,寻找疾病的症状,达到疾病网站、发送/接收医疗电子邮件,共享健康信息在社交媒体上。基于感知数据,系统自动预测决策没有用户维护安全的参与。

考虑到上述问题,有必要进行适当的治疗一个无序的人。病人的情绪是一种参数检测他/她的心理健康。公众情绪非常反映在社会媒体,因为几乎所有人都使用社交媒体在现代的时代。Goyal [11]介绍的一种程序推为特定的关键词过滤掉关于食品价格危机从保存数据库。数据是使用两种算法训练,K最近邻和朴素贝叶斯无监督和监督学习。云存储是最好的选择来存储大量的非结构化数据。Kumar和巴拉(12提出功能的Hadoop大数据的自动处理和存储库。MongoDB是一个大数据分析统计工具与世界精神卫生保健。达卡,P。,和Johari [13]介绍了一种实现大数据相关分析统计工具MongoDB的世界精神卫生保健。数据进一步分析了使用遗传算法对不同精神障碍和部署在MongoDB中提取最终的数据。

但是上面的方法都没有用无需用户介入。De Beurs et al。14]介绍了由方法,干预映射和scrum方法可能有助于增加用户的参与。这种方法试图开发更加设计策略发展的基于web的精神卫生保健资源有限。特纳et al。15]阐述了在他们的文章,大数据的可用性大小每两年增加两次用于自动决策。Passos et al。16)认为,历史悠久的医生和病人之间的联系将会改变与大数据的建立和机器学习模型。ML算法可以让一个受影响的人不时地观察他的健身,可以告诉医生关于他目前的条件如果它变得糟糕。早期咨询医生可以为病人防止更大的损失。

如果精神疾病不是预测或处理前,然后它执行病人涉及到许多非法活动,比如自杀企图自杀的最相关的心理障碍。凯斯勒et al。17提出了荟萃分析,关注自杀自残的发病率在1年内使用机器学习算法。他们分析了过去的报道自杀病人和得出的结论是,任何预测是不可能的,由于短期精神病住院治疗。尽管许多人工智能算法用于估计病人疾病通过观察过去的数据,所有研究的重点是与自杀相关预测通过设置一个阈值。定义一个阈值是一个非常关键有时甚至不可能预测。克莱兰德et al。18)综述了许多研究,但未能确定原则阐明阈值。作者使用一个随机模型生成整合中华民国。相关成果的基础上,指出抑郁症患病率是经济剥夺和抗抑郁药处方之间的中介因素。

精神疾病的另一个副作用是药物成瘾。早期的药物通过分析用户数据预测是可能的。阿片类药物是一种发誓的药物。哈桑et al。19马)探讨了马萨诸塞州所有支付索赔数据(成人)数据集和检查有天真的用户开发阿片样物质使用障碍。一个受欢迎的机器学习算法进行预测的风险类型的依赖的专利。Perdue et al。20.]预测药物滥用者的比例通过比较谷歌趋势数据与监测未来(MTF)数据;一个结构良好的研究。得出的结论是,谷歌趋势和MTF提供综合支持数据检测药物滥用。

3所示。精神疾病及其类型

3.1。抑郁症和双相情感障碍

双相情感障碍也被称为最严重形式的抑郁症。在表1鲍尔et al。1)进行了一项调查,检查成人双相情感障碍。收集的数据来自187个老年人和1021年轻人排除失踪的观察。调查包含39问题花了20分钟来完成。老年人患有双相情感障碍是沉迷于互联网经常不如年轻人。大部分医疗保健服务只提供在线进化和大多数数字工具和设备,调查有一些局限性,它不包含任何关于技术使用在老年人的问题。需要适当的治疗一个无序的人。病人的情绪是一种参数检测他/她的心理健康。表1描述人格的另一种方法评估使用机器学习算法,专注于系统的实现和其他方面提出提高机器学习(ML)方法的有效性。未来医学领域的技术进步将促进个性化治疗。做了大量的工作领域的抑郁症检测使用社交网络。

个性化的精神病学的主要目标是预测双相情感障碍,提高诊断和优化治疗。为了实现这些目标,需要结合患者的临床变量如图1描述了集成所有这些变量。现在不可能在精神卫生保健管理数据与传统数据库管理工具现在在tb和pb的数据。所以,需要引入高这样的大数据分析工具和技术来处理大数据,以提高治疗的质量,这样可以减少整体治疗费用在整个世界。

MongoDB的工具来处理大数据。数据进一步分析了使用遗传算法对不同精神障碍和部署在MongoDB中提取最终的数据。这种方法挖掘数据,提取有用的信息减少总体成本的治疗。它为临床决策提供了最好的结果。它可以帮助医生给更准确治疗几个精神障碍更少的时间和以低成本使用由大数据中提取有用信息工具Mongo DB和遗传算法。

在表1的一些技术处理和存储大量的数据。

使用MongoDB工具,研究人员正努力之前预测精神状况严重精神阶段。所以,有些设备介绍了一个完整的检测过程来解决用户的现状分析他/她的日常生活习惯。需要合理的解决方案,检测禁用阶段精神病人更准确和快速。

3.2。人格障碍

回忆是一种人格障碍患者的压力过大对实际上并不是多严重的疾病。这种类型的障碍患者往往会努力给他人留下深刻印象。调查发现正常和回忆的个性之间的关系。其他研究人员正在研究最有趣和独特的方法极大的兴趣来检查一个人的性格,看他或她的方式是使用移动电话。这种方法通过手机提供具有成本效益和questionnaire-free个性检测无需进行数字的数据执行人格评估调查社交媒体。执行所有的9个主要方面构建实时验证人员并不容易。这次考试,就像其他几个人,有一定的局限性。这只是一个样本,对推广时使用的近实时场景为研究人员可能是艰难的。

4所示。心理健康对用户行为的影响

精神疾病是无助的感受上升,危险,恐惧,悲伤的人。人们不理解当前形势下这东西对精神病人违法行为。表2描述了一些心理障碍的问题,因为像自杀,药物滥用,阿片类药物使用如下。

4.1。自杀

自杀在不发达国家中非常普遍。根据研究,有人死了,因为自杀在全世界每40秒。世界上有些地区精神疾病和自杀统计数据相对比其他领域。

精神科医生说,90%死于自杀的人面临的心理障碍。电子医疗记录和大数据产生自杀通过机器学习算法。机器学习算法可以用来预测抑郁自杀的人;很难估计准确执行,但它可能帮助初加工的顾问病人基于早期预测。各种研究描述事实,有高水平的抗抑郁药处方等一系列因素导致这种疾病的患病率。有些人开始抗抑郁药物来克服精神痛苦。在表1克莱兰德et al。18研究了三个主要因素,即。,economic deprivation, depression prevalence, and antidepressant prescribing and their correlations. Several statistical tools could be used like Jupyter Notebook, Pandas, NumPy, Matplotlib, Seaborn, and ipyleaflet for creation of pipeline. Correlations are analyzed using Pearson’s correlation and值。分析显示强大的经济剥夺之间的相关性和抗抑郁药处方而它显示了疲软的经济剥夺和抑郁患病率之间的相关性。

4.2。药物滥用

人们自愿吸毒但大多数沉迷于他们为了摆脱所有问题和感觉轻松。Adderall divinorum,鼻烟、合成大麻和毒品浴盐是小说。阿片类药物是一类的药物,包括非法的毒品海洛因。哈桑et al。19四个机器学习算法相比:逻辑回归,随机森林,决策树,梯度提高预测阿片样物质使用障碍的风险。随机森林是一个最好的机器学习算法的分类方法。发现在这种类型的情况下随机森林模型优于其他三种算法专门为确定功能。有另一种方法来预测药物滥用者使用用户的搜索历史。Perdue et al。20.]预测药物滥用者的比例通过比较谷歌趋势数据与监测未来(MTF)数据;一个结构良好的研究。得出的结论是,谷歌趋势和MTF提供综合支持数据检测药物滥用。

谷歌趋势似乎数据源对新型药物尤其有用,因为谷歌是第一个地方,许多用户尤其是成年人去主题信息的陌生。谷歌不会预测海洛因滥用;其原因可能是海洛因比其他毒品是一个相对独特的危险。根据Granka [23),互联网搜索行为的措施可以被理解为一个人的兴趣问题。不幸的是,这种技术并不会很方便,药物滥用研究人员无法预测药物滥用成功因为稀疏数据。

5。数据科学如何帮助预测精神疾病?

目前,有许多移动临床设备建立在病人的个人身体网络和医疗设备。他们接收和传输海量异构医疗健康记录病人的评估数据结构。在这种情况下,系统学习和数据挖掘策略在许多现实问题变得非常重要。许多卫生技术开发数据处理和处理细胞的小玩意。

有很多数据在医学的世界药房等来自不同数据源的数据和病人的历史,从nonproviders(手机和互联网搜索)。大数据需要解释为了预测未来数据,估计假设,并得出结果。精神科医生应该能够评估结果的研究和商业分析是基于大数据的产品。

5.1。人工智能和大数据

大数据收集的可穿戴跟踪设备和电子记录有助于积累和大量的数据存储。智能手机应用程序支持健康和健康教育,预测心脏病发作,并计算ECG情感检测、跟踪、症状和疾病管理。移动应用可以提高病人和医生之间的联系。一旦病人的数据从不同的资源组织成一个适当的结构,可以使用人工智能(AI)算法。毕竟,人工智能识别模式,发现它们之间的相似性,使预测的建议与状况,发生了什么。

技术可以广泛用于医疗数据处理分为两类:nonartificial情报系统和人工智能系统。尽管non-AI技术不太复杂,但他们正遭受缺乏收敛,不准确的结果相比,人工智能技术。相反,人工智能方法更可取然后non-AI技术。在表3季米特洛夫,(5)结合人工智能技术和物联网技术在现有的医疗保健应用程序以便医生和病人之间的联系仍是平衡的。通过机器学习疾病预测也是可能的。图2显示了人工智能的层次结构、ML和神经网络。

的机器学习算法命名为人工神经网络(ANN)是基于三层体系结构。Kellmeyer [7]介绍了一种安全的大脑数据从neurotechnological设备使用安。该算法是在大量的数据(训练数据)来预测准确的结果。但病人的脑部疾病是罕见的培训模型在小数据可能会产生不精确的结果。机器学习模型是数据饿了。获得准确的结果作为输出,需要各具特色的培训更多的数据作为输入。这些新方法不能应用于临床数据由于有限的经济资源。

5.2。预测通过智能设备

不同的监测可穿戴设备(表3)是可用的,不断捕捉行为的细节和提供重要的线索关于恐惧和自闭症。这些信息有助于认识到心理问题的用户设备。受害者被监控连续一个月。高水平计算进行声音要求高复杂性数据以及计算能力导致小芯片上的巨大压力。为了克服权力问题,相对较低的频率选择。

杨et al。9)发明了一个音频幸福装置,进行了一项调查,参与者必须说话超过10分钟在一个安静的房间。第一步是选择样本的有效性通过完成一些问题(包括污渍、NEO-FFI和AQ)的参与者。为了确定是否适合实验,测试是基于一个AQ的问题进行的。有一个分类算法应用于AQ数据。这种类型的设备有一个优势;它完全致力于长期数据而不是low-term一但他们离线使用实时数据传输,而不是。

虽然有不同的传感器,将垃圾数据添加到传感器是非常明显的。这是一个应用程序,它提供了范本记录管理使用手机/平板电脑技术安全和隐私一旦确认。提高物联网设备的可靠性,需要增加样本大小与不同年龄段的实时环境检查的有效性实验。

有很多技术,完成跟踪数据像智能手机一样,信用卡、社交媒体,和传感器。本文讨论了一些现有的工作要处理这些数据。在表3方法之一是人类的算法;寻找疾病症状达到疾病网站、发送/接收医疗电子邮件,共享健康信息在社交媒体上通过这种类型的数据。这些都是一些例子的活动执行关键规则产生的医疗数据。

5.3。社交媒体预测精神疾病的作用

常数病人的情绪是一种参数检测他/她的心理健康。据伦哈特,a . et al。25]studid近4 5互联网用户的社交媒体。在表3,研究人员使用twitter数据在线用户评论,帮助导引头看看流行的一个特定的服务或购买产品。为了收集Airtel意见的人,他们做了分析。过滤关键字的使用根据内容过滤和过滤器的位置。首先,特殊字符、URL、垃圾邮件、短词从微博中删除。其次,剩余的文字从微博然后标记并TF-IDF得分计算出所有的关键词。清洗后的数据,名叫K最近邻分类算法和朴素贝叶斯算法应用于文本为了提取功能。位置过滤器工作在特定的边界过滤器。虽然混合推荐系统结果的准确性为76.31%,那么朴素贝叶斯是66.66%。最后,自动化系统是专为意见挖掘。

还有另一个角度考虑,推特非结构化数据处理如此大量的非结构化数据是一项乏味的工作。由于缺乏模式结构,很难处理和存储非结构化数据。需要存储设备存储无关紧要的数据进行处理。云存储是这种材料的最佳选择。整个程序设计在Python中,以便它能捕获所有可能的结果。Hadoop云计算工作,帮助来完成不同的操作在分布式数据系统的方式。上述方法的成功率约为70%,但作者所做的这些任务使用两种编程语言。Python代码提取tweet和Java是用来训练所需的数据专家程序员在每个语言。它将帮助医生给更准确治疗几个精神障碍在更少的时间和低成本。感染这种方法提供了predetection抑郁症的可能保护精神疾病的病人面对最糟糕的阶段。

5.4。主要挑战大数据的方法

(我)大数据有许多伦理问题相关的隐私,未经许可的可重用性,组织和参与的竞争对手。(2)工作在不同的地区,大数据需要与专家的合作人在相关领域包括医生,生物学家,和开发人员这是至关重要的一部分。数据挖掘算法可用于观察或预测数据更精确地比传统的临床试验。(3)人们可能会感到犹豫来描述一切医生。的一个解决方案之前估计坏精神疾病时间自动决策不需要人工输入如表所示3。它收集数据从我们的行为不成熟的数字经济。数字普罗维登斯的关键作用,必须推断为了理解困难,技术可能会负责精神病患者。(iv)有许多安全问题在讨论敏感信息在线数据可能显示一个新的方法来提供隐私保护以及决策从大数据通过新技术需要介绍。(v)同样,如果在线数据用于预测用户的个性,然后保存数据保护,免受黑客是一个巨大的挑战。大量的廉价解决方案存在,但并不可靠的从用户的角度来看。(vi)主要挑战,使物联网设备通信;上面的方法都是无用的用户参与。用户是实验的主要部分之一,特别是如果用户的个人或实时数据是必需的。尽管许多基于web的发明有关心理健康被释放,由最终用户积极参与的实际问题是有限的。在表3,一个由专家方法引入基于干预映射和scrum方法。它可能有助于提高用户的参与。但如果所有的用户都积极参与基于web的医疗系统,然后就有问题。(七)当用户参与决定的程度,有需要决定对用户输入的可访问性资源。它需要技术公司的积极作用和有效的时间消耗。进一步的研究应该提供如何选择最好的方向和优化更加设计策略下网络心理健康发展的有限的资源。

6。结论

大数据被用于精神卫生研究在世界的许多地方,许多不同的目的。数据科学是一个快速发展的领域,心理健康研究提供了许多有价值的应用程序,我们介绍的这个观点的例子。

我们讨论了不同类型的精神疾病和他们的合理,便宜,和可能的解决方案提高精神卫生保健设施。目前,数字革命精神健康是放大以外的步伐科学的评价,很明显,临床社区需要迎头赶上。各种智能医疗系统和设备开发,减少精神病人的死亡率和避免病人将在任何非法活动的早期预测。

本文考察了不同的预测方法。各种机器学习算法是受欢迎的训练数据来预测未来的数据。随机森林模型、朴素贝叶斯和k-mean集群是很受欢迎的ML算法。社交媒体是最好的来源的数据采集用户的情绪也揭示了他/她的心理行为。在这个调查中,各种数据科学的发展及其影响智能医疗系统的考虑。认为有需要一个具有成本效益的方法来预测知识条件,而不是昂贵的设备。Twitter数据是保存和利用实时tweets可以通过应用程序接口(API)。在未来,与python连接twitter API,然后应用情感分析的文章,“喜欢页面”,“页面,”和“评论”的twitter用户将提供一个具有成本效益的方式来检测目标病人的抑郁。

数据可用性

作者将提供用于实验的数据,如果要求。

的利益冲突

没有利益冲突有关的出版。

确认

作者感谢苏尔坦王子大学金融支持对本文的发表。

引用

1. r·鲍尔·t·格伦,美国Strejilevich et al .,“老年人互联网使用的双相情感障碍:国际调查结果,“双相情感障碍的国际期刊》第六卷,没有。1,p。20日,2018。视图:出版商的网站|谷歌学术搜索
2. Y.-A。De Montjoye j . Quoidbach f . Robic, a . Pentland“预测人格使用新颖的基于移动电话标准,”社会计算的国际会议,Behavioral-Cultural建模和预测页,48-55柏林,海德堡,2013年4月。视图:出版商的网站|谷歌学术搜索
3. w·鲍尔和c·j·霍普伍德”,使用机器学习促进人格评估和理论,“人格与社会心理学复习,23卷,不。2、190 - 203年,2019页。视图:出版商的网站|谷歌学术搜索
4. c·希尔,j·l·马丁,汤姆森,n . Scott-Ram h . Penfold和c,他们是“导航数字医疗创新的挑战:问题和解决方案在发展中在线和smartphone-application-based干预心理健康疾病,”英国精神病学杂志》,卷211,不。2、65 - 69年,2017页。视图:出版商的网站|谷歌学术搜索
5. 季米特洛夫d诉“医疗物联网和大数据在医疗,”医疗信息学研究,22卷,不。3、156 - 163年,2016页。视图:出版商的网站|谷歌学术搜索
6. 美国环球,t·格伦·j·戈德斯,m·鲍尔”大数据来精神病学:一般介绍,“双相情感障碍的国际期刊,3卷,不。1,p。21日,2015。视图:出版商的网站|谷歌学术搜索
7. p . Kellmeyer“大脑数据:从临床和负责任地使用的大脑数据式neurotechnological设备”Neuroethics卷。11日,硕士论文,2018页。视图:出版商的网站|谷歌学术搜索
8. 顾l .江高,j . et al .,“可穿戴的长期社会感应精神健康,”IEEE传感器杂志,19卷,不。19日,2019年。视图:出版商的网站|谷歌学术搜索
9. 杨,b高,江l . et al .,“物联网结构长期可穿戴感应精神健康社会,“IEEE物联网》第六卷,没有。2、3652 - 3662年,2018页。视图:出版商的网站|谷歌学术搜索
10. 美国环球和t·格伦,”自动决策和大数据:为那些有精神疾病的担忧,“目前精神病学报告,18卷,不。12,112页,2016年。视图:出版商的网站|谷歌学术搜索
11. s . Goyal“情感分析twitter的数据使用文本挖掘和混合分类方法,”国际发展研究期刊》的研究,理念和创新技术,卷2,不。5,页2454 - 132 x 2016。视图:谷歌学术搜索
12. m·库马尔和a·巴拉”,通过大数据分析twitter情绪,”学报2016年3日计算为全球可持续发展国际会议(INDIACom),页2628 - 2631,新德里,印度,2016年3月。视图:谷歌学术搜索
13. p .达卡和r . Johari“大数据应用:学习和心理健康档案数据,使用MongoDB,”学报2016年国际会议上电气、电子和优化技术(ICEEOT)钦奈,页3228 - 3232年,印度,2016年3月。视图:出版商的网站|谷歌学术搜索
14. d . De Beurs Van Bruinessen, j . Noordman r . Friele和s . Van Dulmen”积极参与的最终用户在开发基于web的精神卫生干预时,“精神病学前沿,8卷,p。72年,2017年。视图:出版商的网站|谷歌学术搜索
15. 诉特纳,j . f . Gantz d . Reinsel和s·明顿,“数字宇宙的机会:丰富的数据和互联网的增值的事情,”国际数据公司(IDC)分析未来,2014年16卷。视图:谷歌学术搜索
16. i c . Passos p . Ballester j . v .平托b . Mwangi f . Kapczinski,“大数据和机器学习满足健康科学,”个性化的精神病学页1-13 Springer,可汗,瑞士,2019。视图:出版商的网站|谷歌学术搜索
17. r·c·凯斯勒s l . Bernecker r . m . Bossarte et al .,“大数据分析的角色在预测自杀”个性化的精神病学施普林格,页77 - 98年,可汗,瑞士,2019。视图:出版商的网站|谷歌学术搜索
18. 克莱兰德,j·华莱士,r .债券et al .,“洞察抗抑郁药处方使用开放健康数据,”大数据的研究》12卷,41-48,2018页。视图:出版商的网站|谷歌学术搜索
19. 哈桑·M·M。,M. Noor-E-Alam, Patel M. R., Modestino A. S., Young G. Sanchez L. D., A Novel Big Data Analytics Framework to Predict the Risk of Opioid Use Disorder. 2019.
20. r·t·珀杜j . Hawdon, k . m .泰晤士”大数据可以预测小说的崛起,滥用药物?”《药物问题,48卷,不。4、508 - 518年,2018页。视图:出版商的网站|谷歌学术搜索
21. ,心理学家A•弗海姆指导”的五大方面分析亚临床依赖型人格障碍(回忆),“精神病学研究卷,270年,第626 - 622页,2018年。视图:出版商的网站|谷歌学术搜索
22. e . Salagre大肠Vieta,格兰德,“个性化治疗双相情感障碍”个性化的精神病学学术出版社,页423 - 436年,剑桥,妈,美国,2020年。视图:出版商的网站|谷歌学术搜索
23. l . Granka”从隐式查询数据推断公众议程,”美国第32国际市立图书馆会议在信息检索的研究与开发美国,波士顿,MA, 2009年7月。视图:谷歌学术搜索
24. 诉Sinha, 2019,https://www.quora.com/What-are-the-main-differences-between-artificial-intelligence-and-machine-learning-Is-machine-learning-a-part-of-artificial-intelligence。
25. 雷恩哈特。,Purcell K., Smith A., Zickuhr K., Social media & mobile internet use among teens and young adults. Millennials, Pew Internet & American Life Project, Washington, DC, USA, 2010.

版权

版权©2020阿伊莎Kamran哈奇等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。