Štúdia preskúmala použitie indikátorov kompletného krvného obrazu (CBC) a algoritmov strojového učenia na predpovedanie rizika duševných porúch. V septembri 2024 zapojili 1 379 univerzitných dobrovoľníkov, u ktorých zhromaždili údaje o veku, pohlaví a 22 premenných CBC; závislou premennou bol binárny výsledok podľa stupnice SCL-90, kde bolo 1 023 negatívnych a 356 pozitívnych prípadov. Na riešenie nerovnováhy údajov použili hybridný odber SMOTEtomek a na výber funkcií náhodný les, ktorý identifikoval 14 optimálnych premenných. Porovnali štyri modely: XGBoost, AdaBoost, Random Forest a GBDT, pričom XGBoost dosiahol najlepší výkon s AUC 0,860 na trénovacej sade a 0,827 na testovacej sade. Analýza SHAP potvrdila, že hlavnými prispievateľmi boli percento bazofilov (BASO %), počet bazofilov (BASO#) a priemerný korpuskulárny hemoglobín (MCH). Nomogram na základe logistickej regresie potvrdil tieto zistenia. Pätnástim dobrovoľníkom chýbali údaje pre štyri ukazovatele.