基于机器学习的青少年物质使用预测在三个独立的全球队列:算法开发和验证研究研究
Soeun Kim1,2, Hyejun Kim1,3, Seokjun Kim1,4
1Center for Digital Health, Medical Science Research Institute, Kyung Hee University Medical Center, Seoul, Republic of Korea.
机器学习准确地预测了韩国,美国和挪威的青少年物质使用情况. 吸烟状况,BMI和心理健康因素显著影响物质使用风险.
科学领域:
- 青少年健康 青少年健康
- 机器学习应用 机器学习应用
- 跨文化研究 跨文化研究
背景情况:
- 在理解青少年吸毒的文化和社会差异方面存在差距.
- 需要针对青少年吸毒的可通用预测模型.
研究的目的:
- 开发一个可通用的机器学习 (ML) 模型来预测青少年的物质使用.
- 利用跨国数据集来解决文化和社会差异.
主要方法:
- 训练有素的ML模型使用韩国青年风险行为网络调查 (KYRBS) (n=1,098,641).
- 外部验证的模型使用美国青年风险行为调查 (YRBS) (n=2,511,916) 和挪威Ungdata调查 (n=700,660).
- 使用AUROC,精度和其他指标评估模型性能;使用SHAP值分析特征重要性.
主要成果:
- XGBoost模型在数据集中显示出强大的预测性能.
- 在KYRBS上实现了80.61%的AUROC,在YRBS上达到79.30%,在Ungdata.
- 确定吸烟状况,BMI,自杀念头,酒精消费和负面情绪作为关键预测因素,吸烟是最有影响力的.
结论:
- 机器学习,特别是XGBoost模型,显示了预测青少年物质使用的巨大潜力.
- 来自跨国数据的发现为有针对性的干预和对影响因素的进一步研究提供了基础.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
08:05A Prediction Error-driven Retrieval Procedure for Destabilizing and Rewriting Maladaptive Reward Memories in Hazardous Drinkers
Published on: January 5, 2018
相关概念视频
Substance Use Disorders Affecting Sleep
Understanding the concepts of physical dependence,...
Drug Abuse and Addiction: Pharmacological Phenomena
Mechanistic Models: Compartment Models in Individual and Population Analysis
Analysis of Population Pharmacokinetic Data
Drug Dependence
