预测美国成年人戒烟的机器学习应用:对PATH研究的波段1-3进行分析

科学领域:

• 公共卫生 公共卫生
• 流行病学 流行病学
• 数据科学数据科学数据科学

背景情况:

• 确定戒烟的决定因素对于有效的干预至关重要.
• 机器学习 (ML) 越来越多地用于预测戒烟成功.
• 由于参与者池有限,现有的ML模型往往缺乏通用性.

研究的目的:

• 确定美国普通人口中戒烟的主要决定因素.
• 通过使用国家调查数据,训练ML分类模型来预测戒烟.
• 提高戒烟预测模型的普遍性.

主要方法:

• 利用了来自人口烟草和健康评估 (PATH) 调查的数据 (N=9,281).
• 应用随机森林和梯度增强机器用于变量选择.
• 雇员SHAPLEY 解释变量对戒烟影响的附加解释.

主要成果:

• 开发了ML模型,预测戒烟的准确率为72% (第1波至第2波) 和70% (第2波至第3波).
• 确定了关键预测因素:电子烟使用增加,香烟消费减少,开始吸烟的年龄较晚,吸烟时间较短,多烟草使用,BMI较高.

结论:

• 机器学习模型可以有效地预测一般人群的戒烟.
• 诸如使用电子烟和吸烟史等特定因素显著影响戒烟成功.
• 研究结果可以为制定更有针对性,更有效的戒烟策略提供信息.