Vorhersage des klinischen Stressniveaus anhand von metabolischen Biomarkern und maschinellen Lernmodellen auf Basis genetischer Algorithmen

Psychologischer Stress ist ein großes Problem der öffentlichen Gesundheit, das mit nachteiligen Folgen für die physische und psychische Gesundheit verbunden ist. Diese Studie schlägt einen Ansatz zur Vorhersage klinischer Stressniveaus vor, der metabolische und endokrine Biomarker kombiniert mit maschinellen Lernmodellen auf Basis genetischer Algorithmen. Daten wurden von 87 Universitätsstudenten erhoben, einschließlich Messungen von Glukose, Insulin und Cortisol sowie wahrgenommenen Stresswerten, die mit der Perceived Stress Scale (PSS) bewertet wurden. Die Stressniveaus wurden in niedrige (n=5), moderate (n=22) und hohe (n=60) Klassen kategorisiert, was auf einen unausgewogenen Datensatz hinweist. Feature Engineering und die Auswahl basierend auf genetischen Algorithmen identifizierten die Glukosekonzentration, das Insulin-Glukose-Verhältnis und das Insulin-Cortisol-Verhältnis als die relevantesten Merkmale. Diese wurden verwendet, um XGBoost- und Elastic Net-Modelle zu trainieren, die mit einer Leave-One-Out-Kreuzvalidierung bewertet wurden. Das XGBoost-Modell erreichte die beste Leistung mit einer Genauigkeit von 0,77 und einer starken prädiktiven Fähigkeit für hohe Stressniveaus. Die Ergebnisse zeigen den Nutzen maschinellen Lernens basierend auf metabolischen Biomarkern als objektives Werkzeug zur Stressbewertung in psychologischer und klinischer Forschung.