从家庭环境因素预测不良童年经历:一种机器学习方法

科学领域:

• 儿童健康 儿童健康
• 公共卫生 公共卫生
• 机器学习应用程序 机器学习应用程序

背景情况:

• 童年不良经历 (ACE) 对长期健康有严重的影响.
• 目前的ACE识别方法是反应性的,错过了早期干预的机会.
• 需要主动识别患有ACE风险的儿童.

研究的目的:

• 探索机器学习的潜力,以积极识别面临ACE暴露风险的儿童.
• 训练和验证机器学习模型,以预测ACE暴露类别.

主要方法:

• 利用了来自63,239名儿童 (2018-2020年NSCH) 的全国代表性数据.
• 训练并验证多个机器学习模型 (例如,随机森林) 来预测ACE暴露 (没有,一个,两个+).
• 使用准确度,精度,回忆,F1分数和AUC进行5倍交叉验证来评估模型性能.

主要成果:

• 随机森林模型实现了最高的预测准确度 (82%).
• 关键预测因素包括儿童的性行为,食物不足,学校缺勤率,亲子沟通和欺凌经历.
• 没有ACE的高性能 (F1=0.89),多个ACE的中等性能 (F1=0.64),单个ACE的低性能 (F1=0.55).

结论:

• 家庭环境因素可以以临床上有意义的准确性预测ACE暴露.
• 这些发现支持开发针对ACE的积极查协议.
• 实施需要解决对弱势儿童的偏见,临床效用和伦理考虑.