Introduction: The COVID-19 outbreak has nearly brought the globe to a standstill, and it has had both immediate and long-term effects on mental health university’s students. The current study aims to forecast changes in a few mental health indicators, including depression anxiety, social dysfunction, and loss of confidence among Palestinian medical students.

Methods: The 300 students completed a General Health Questionnaire (GHQ) with a score of 15 or above. Afterward, the survey data was analyzed and sanitized. The survey data was examined, and a comparative prediction of the probabilistic changes of the mental health variables was carried out using common deep and machine learning techniques, such as deep Artificial Neural Network (DNN), Support Vector Machine (SVM), and Random Forest (RF).

Results: The findings of these algorithms were reviewed using four commonly used statistical indicators to provide a better comparison between real and predicted data in terms of Coefficient of Determination (R2), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE). The DNN results were the best, with a coefficient of determination (R2) of 99% and the other error measures being 0.00002, 0.0046, and 0.0035 for MSE, RMSE, and MAE, respectively. The determination coefficient R2 for SVM and RF were 92.1% and 89.5%, respectively.

Conclusion: This study highlights the importance of using machine learning tools for mental health prognosis.

COVID-19 Sürecinde Filistinli Tıp Öğrencilerinin Ruh Sağlığının Derin ve Makine Öğrenmesi Yöntemleriyle Öngörülmesi

Özet:

Giriş: COVID-19 salgını dünyayı neredeyse tamamen durma noktasına getirmiştir ve üniversite öğrencilerinin ruh sağlığı üzerinde hem kısa vadeli hem de uzun vadeli etkileri olmuştur. Bu çalışma, Filistinli tıp öğrencileri arasında depresyon, anksiyete, sosyal işlev bozukluğu ve özgüven kaybı gibi bazı ruh sağlığı göstergelerindeki değişiklikleri öngörmeyi amaçlamaktadır.

Yöntem: 300 öğrenci, 15 ve üzeri puan alan Genel Sağlık Anketini (GHQ) doldurdu. Daha sonra anket verileri analiz edilip düzenlendi. Anket verileri incelendi ve ruh sağlığı değişkenlerinin olasılıksal değişimlerinin karşılaştırmalı tahmini, Derin Yapay Sinir Ağı (DNN), Destek Vektör Makinesi (SVM) ve Rastgele Orman (RF) gibi yaygın kullanılan derin öğrenme ve makine öğrenmesi teknikleri ile gerçekleştirildi.

Bulgular: Bu algoritmaların sonuçları, Gerçek ve tahmin edilen veriler arasındaki farkı daha iyi karşılaştırmak amacıyla, Belirleme Katsayısı (R²), Ortalama Kare Hata (MSE), Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Hata (MAE) olmak üzere dört yaygın istatistiksel gösterge kullanılarak incelendi. DNN sonuçları en iyi çıktı; belirleme katsayısı (R²) %99 iken hata ölçütleri sırasıyla MSE için 0.00002, RMSE için 0.0046 ve MAE için 0.0035 olarak bulundu. SVM ve RF için belirleme katsayısı (R²) sırasıyla %92,1 ve %89,5 idi.

Sonuç: Bu çalışma, ruh sağlığı öngörüsünde makine öğrenimi araçlarının kullanılmasının önemini vurgulamaktadır.

Title

Palestinian Medical and Pharmaceutical Journal

Publisher

An-Najah National University

Publisher Country

Palestine

Indexing

Scopus

Impact Factor

None

Publication Type

Both (Printed and Online)

Volume

9

Year

2024

Pages

--