创伤后应激障碍的白质预测因素:在美国黑人女性的样本中测试不同的机器学习模型
Olivia C Haller1, Tricia Z King1, Mrinal Mathur2
1Department of Psychology, Georgia State University, Atlanta, GA, USA.
Journal of psychiatric research
|November 3, 2023
概括
机器学习模型仅使用白质微观结构就显示出预测创伤后应激障碍 (PTSD) 的能力有限. 包括种族主义暴露在内,显著改善了黑人女性的PTSD预测,突出了PTSD神经生物学因素的复杂相互作用.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 精神病学是一个精神病学.
背景情况:
- 机器学习神经成像研究显示,对于识别创伤后应激障碍 (PTSD) 神经生物学特征有前途.
- 很少有研究检查白质微观结构作为PTSD预测器,黑人在研究中代表性不足.
- 这项研究通过调查美国黑人女性的PTSD来解决对多元化代表性的需求.
研究的目的:
- 评估四种机器学习模型在使用白质微观结构对PTSD进行分类时的有效性.
- 探索人际和结构性种族主义暴露对PTSD分类的影响.
- 调查创伤后应激障碍神经生物学特征在受创伤影响的美国黑人女性的样本中.
主要方法:
- 利用了45名患有PTSD的黑人女性和89名受创伤影响的对照者的数据.
- 使用临床医生管理的PTSD尺度来评估当前的PTSD.
- 应用了四种机器学习模型:线性支向量机器,辐射基函数支向量机器,多层感知子和随机森林,使用白物质通道的分数异构为特征.
主要成果:
- 模型性能各不相同,线性支向量机只使用白质特征实现了最佳匹配 (AUC = 0.643).
- 纳入对种族主义暴露的估计显著提高了线性支向量机器的性能 (AUC = 0.808).
结论:
- 仅仅白质微观结构在这个样本中就显示出对PTSD的预测能力有限.
- 这些发现表明,白质微观结构和PTSD之间的关系是细微的,并且在种族和性别群体之间可能有所不同.
- 暴露于种族主义是改善黑人女性PTSD预测的关键因素.
