机器学习模型用于酒精使用障碍中暂时精确的间隔预测
Kendra Wyant1, Sarah J Sant'Ana1, Gaylen E Fronk1
1Department of Psychology, University of Wisconsin-Madison.
Journal of psychopathology and clinical science
|August 22, 2024
概括
机器学习模型准确地预测酒精使用复发风险每小时. 这些模型通过分析生态瞬间评估数据来识别高风险时期,有助于及时干预正在康复中的个人.
科学领域:
- 计算精神病学是一种计算精神病学.
- 行为成研究行为成研究.
- 机器学习在医疗保健中的应用
背景情况:
- 酒精使用障碍 (AUD) 的恢复是具有挑战性的,复发率很高.
- 预测失效风险对于及时和个性化干预至关重要.
- 生态瞬间评估 (EMA) 提供有关风险因素的实时数据.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测酒精使用失效风险.
- 评估不同时间细分度 (周,日,小时) 的ML模型的预测准确性.
- 确定影响短期和长期失效概率的关键风险因素.
主要方法:
- 开发了三种ML模型,使用EMA数据从151名AUD早期恢复的个人.
- 特性包括原始分数和理论上涉及的风险因素的变化.
- 员工分组,嵌套交叉验证用于模型选择和绩效评估.
主要成果:
- 模型实现了高预测性能,AUC为0.89 (周),0.90 (日) 和0.93 (小时).
- 过去的使用和自我有效性是所有时间框架中始终重要的预测因素.
- 渴望和压力等时间变化的因素对下一个小时的失效预测更为关键.
结论:
- ML模型可以准确地预测即将发生的酒精使用失效风险.
- 预测的时间精度会影响不同风险因素的重要性.
- 这项工作支持开发用于主动成支持的智能传感系统.
