预测酒精使用障碍的寻求治疗状态,使用多基因分数和机器学习在深度表型样本中预测

科学领域:

• 精神病学是一个精神病学.
• 遗传学 遗传学 是一个
• 机器学习 机器学习

背景情况:

• 酒精使用障碍 (AUD) 影响了许多人,但很少有人接受治疗.
• 以前的研究发现,饮酒行为,心理问题和物质依赖是寻求治疗的预测因素.
• 之前的研究还没有将多基因分数 (PGS) 作为AUD遗传风险的衡量标准纳入寻求治疗的预测模型.

研究的目的:

• 预测患有AUD的个体寻求治疗的行为.
• 调查AUD临床表型和多基因分数 (PGS) 对寻求治疗的预测价值.
• 检查年龄对PGS对AUD治疗寻求预测能力的影响.

主要方法:

• 利用耶鲁-宾夕法尼亚大学的样本,确定了9,103名DSM-IV AUD和寻求治疗状态的个人.
• 使用随机森林 (RF) 模型与91个临床相关的表型来预测寻求治疗.
• 对非洲 (AFR) 和欧洲 (EUR) 血统的个人计算的AUD PGS,开发带有和没有PGS的射频模型,按年龄分层 (<40和≥40).

主要成果:

• 66.6%的样本报告寻求治疗;主要预测因素包括酒精使用时间,心理问题,精神病诊断和心脏病.
• 没有PGS的模型实现了EUR的79.8%准确率 (0.85AUC) 和AFR的75%准确率 (0.78AUC);添加PGS并没有显著改变性能.
• 与老年人相比,PGS在年轻人中是一个更重要的预测因素 (欧元:第8个<40;AFR:第14个<40) 与老年人相比 (欧元:第48个≥40;AFR:第24个≥40).

结论:

• 酒精使用,精神问题和并发性疾病是寻求AUD治疗的重要预测因素.
• 纳入AUD多基因分数 (PGS) 并没有大大提高预测准确性,但突出了遗传风险的作用,特别是在年轻人群中.
• 机器学习模型有效地预测了使用临床数据寻求治疗的情况,PGS提供了对影响治疗参与的遗传倾向的补充洞察.