应用机器学习来预测患有饮食障碍的年轻人复杂的临床过程

科学领域:

• 儿童和青少年精神病学 儿童和青少年精神病学
• 在医疗保健中的数据科学.
• 饮食障碍研究 饮食障碍研究

背景情况:

• 识别患有饮食障碍 (ED) 的年轻人有复杂临床过程的风险,对于及时干预至关重要.
• 传统的统计方法可能在从多方面的临床数据中预测复杂疾病轨迹方面存在局限性.

研究的目的:

• 将监督机器学习 (ML) 模型的预测性能与后勤回归进行比较.
• 通过使用他们第一次治疗事件的临床特征来识别患有ED的年轻人有复杂临床过程的风险.

主要方法:

• 利用了327名因ED治疗的青少年的临床数据.
• 定义复杂的临床过程通过再接收或非逐步下降的治疗轨迹.
• 使用嵌套交叉验证对34个摄入和排放变量进行了训练七个ML模型和后勤回归.

主要成果:

• 随机森林模型,使用摄入和排放数据,实现了最高的性能 (AUC=0.723,Brier=0.176),超过了后勤回归.
• 仅使用摄入数据的模型显示预测歧视差 (AUC < 0.6).
• 包括放电数据在所有ML算法中提高了性能;重量变化是最重要的预测因素.

结论:

• 与传统方法相比,监督的ML模型为ED疾病过程的结果提供了更好的预测性能.
• 这些发现支持使用ML来分析复杂的生物心理社会数据,用于ED治疗中的精密医学.
• 进一步应用ML可以提高对ED病因和疾病轨迹的理解.