临床医生和机器学习预测之间的比较,用于非自杀性自我伤害的随机对照试验

科学领域:

• 精神病学是一个精神病学.
• 机器学习 机器学习
• 青少年健康 青少年健康

背景情况:

• 非自杀性自我伤害 (NSSI) 在青少年中很普遍,并且与未来的自杀行为有关.
• 准确预测治疗反应对于个性化的青少年心理健康护理至关重要.
• 机器学习 (ML) 算法提供了比临床判断更好的预测潜力.

研究的目的:

• 为了比较临床医生预测的准确性与ML算法预测NSSI戒断治疗后的准确性.
• 探索临床医生见解与ML模型相结合时的预测能力.
• 确定接受心理治疗的青少年NSSI缓解的关键预测因素.

主要方法:

• 利用了来自于NSSI青少年在互联网上提供的情绪调节疗法试验的数据.
• 将临床医生的预测与基于基线评估数据训练的随机森林ML模型进行了比较.
• 使用NSSI缓解的故意自我伤害清单的青少年版本评估预测准确性.

主要成果:

• 临床医生 (63%的准确率) 和ML模型 (67%的准确率) 的预测都超过了随机机会 (49%的准确率).
• 在临床医生和ML预测准确度之间没有发现显著差异.
• 将临床医生的预测添加到ML模型中并没有提高其准确性;情绪失调成为一个关键预测因素.

结论:

• 临床医生和ML算法对年轻人NSSI戒断的预测准确度是可比的.
• 目前的预测准确度很低,这表明需要进一步的研究来提高ML模型的有效性.
• ML模型确定了情绪失调对治疗计划很重要,这是临床医生预测中没有捕捉到的因素.