谁是没有酒精反应的? 一种机器学习方法
Dylan E Kirsch1, Kaitlin R McManus1, Erica N Grodin1,2
1Department of Psychology, University of California, Los Angeles, 1285 Franz Hall, Box 951563, Los Angeles, CA 90095-1563, United States.
Alcohol and alcoholism (Oxford, Oxfordshire)
|August 21, 2025
概括
机器学习模型确定了酒精使用障碍 (AUD) 个体中酒精暗示反应的关键预测因素. 诸如先前的冲动,强迫行为,渴望,吸烟和性行为等因素影响主观的酒精冲动 (ALCUrge).
科学领域:
- 神经科学
- 精神病学
- 数据科学
背景情况:
- 在酒精使用障碍 (AUD) 研究中,酒精提示暴露至关重要.
- 在AUD患者的酒精暗示反应中存在显著的变化.
- 确定这种异质性的预测因素对于有针对性的干预至关重要.
研究的目的:
- 应用机器学习模型来识别主观酒精暗示反应的临床和社会人口学预测因素 (ALCUrge).
- 在这种情况下比较不同机器学习模型的预测精度.
主要方法:
- 139名患有AUD的人接受了酒精暗示暴露模式,并提供了临床/社会人口统计数据.
- 使用暴露后的酒精冲动问卷测量了主观的酒精冲动 (ALCUrge).
- 使用拉索回归,里奇回归和随机森林模型来识别预测因素.
主要成果:
- 拉索回归显示出最高的预测准确性 (RMSE = 9. 48),优于随机森林和回归.
- 最主要的预测因素包括酒精前冲动,强迫性酒精行为,增强力饮料的渴望,吸烟状态和生物性.
- 强迫性行为,强制性渴望和吸烟预测了更高的ALCUrge,而女性预测了更低的ALCUrge.
结论:
- 这项研究阐明了与酒精相关的强迫行为与诱导的冲动之间的重叠.
- 生物性和吸烟是影响酒精暗示反应变化的重要因素.
- 这些发现提高了对AUD异质性的理解,并为个性化治疗策略提供了信息.
