在军事部署后开发和验证创伤后应激障碍的机器学习预测模型

科学领域:

• 军事医学 军事医学
• 精神病学是一个精神病学.
• 计算精神病学是一种计算精神病学.

背景情况:

• 军事部署对创伤暴露构成重大风险,可能导致创伤后应激障碍 (PTSD).
• 早期识别患有PTSD高风险的士兵对于开发有效的有针对性的干预措施至关重要.
• 预测模型可以提高弹性,并为预部署选协议提供信息.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测部署后PTSD风险.
• 确定在士兵中PTSD的关键预部署预测因素.
• 评估预部署PTSD风险分层的可行性.

主要方法:

• 一项涉及4771名美国陆军士兵的诊断/预后研究,进行了部署前和部署后评估.
• 使用多达801个预部署自我报告预测器开发ML模型.
• 在一个独立的队列中验证最佳ML模型 (梯度提升机),使用接收器操作特征曲线下的区域和预期的校准误差.

主要成果:

• 开发的ML模型在独立验证队列中显示出良好的预测性能 (曲线下面面积=0.74).
• 一台带有58个核心预测器的梯度增强机器被选为最佳模型.
• 被确定为高风险的前三分之一的参与者占PTSD病例的62.4%,突出显示了该模型对有针对性的干预措施的潜力.

结论:

• 使用机器学习模型,可以预测士兵的PTSD风险.
• 开发的ML模型可以根据士兵在部署后患PTSD的风险有效地分层士兵.
• 这些发现支持实施有针对性的预防和早期干预策略,以减轻军事人员的PTSD.