机器学习对吸烟行为的分类 - - 从社会环境到前额叶皮层
Pablo Reinhardt1, Norman Zacharias2,3,4, Marinus Fislage3
1Department of Psychiatry and Psychotherapy, Charité - Universitätsmedizin Berlin, Berlin, Germany.
Addiction biology
|August 7, 2025
概括
机器学习确定了吸烟状态和戒烟成功的关键预测因素,包括额头功能,认知控制和社交吸烟行为. 这些发现支持个性化戒烟策略的多因素模型.
科学领域:
- 行为科学 行为科学
- 计算生物学 计算生物学
- 公共卫生 公共卫生
背景情况:
- 吸烟的模式呈现出显著的异质性,从偶尔使用到持续戒烟.
- 机器学习 (ML) 擅长识别人口数据中的复杂模式,超过了传统的统计方法.
- 了解吸烟行为的个体差异对于有效的干预至关重要.
研究的目的:
- 将ML应用于基于人口的队列,以识别区分吸烟者和从不吸烟者的多式联络标记.
- 使用基线数据预测长期戒烟成功.
- 研究认知和社会因素对吸烟行为和戒烟的影响.
主要方法:
- 在707名吸烟者和864名从未吸烟者的基线数据上使用了10倍重复的嵌套交叉验证来进行分类.
- 分析了10年的随访数据,将60名成功戒烟者与81名不戒烟者的分类.
- 使用SHAP (夏普利添加式扩展) 值来评估预测模型的特征重要性.
主要成果:
- ML模型实现了高精度:AUROC为0.85 (吸烟者与从未吸烟者) 和0.92 (重度吸烟者与从未吸烟者).
- 戒烟成功预测的AUROC为0.68 (戒烟者与非戒烟者).
- 关键预测因素包括额头功能,认知控制和社交吸烟行为.
结论:
- ML分析支持吸烟行为和戒烟的多因素模型.
- 识别的标记可以为个性化戒烟干预提供细微的风险分层信息.
- 研究结果强调了ML在推进定制戒烟策略方面的潜力.
更多相关视频
10:37Automated Measurement of Pulmonary Emphysema and Small Airway Remodeling in Cigarette Smoke-exposed Mice
Published on: January 16, 2015
13.3K
09:50Impact Assessment of Repeated Exposure of Organotypic 3D Bronchial and Nasal Tissue Culture Models to Whole Cigarette Smoke
Published on: February 12, 2015
11.3K
