一个深度学习模型来预测青少年和年轻人的酒精使用障碍的绝对风险

科学领域:

• * * 公共卫生 公共卫生
• * 青少年医学 青少年医学
• * 数据科学数据科学

背景情况:

• * 酒精使用障碍 (AUD) 是一个重要的全球健康问题,青少年的酒精消费往往比成人AUD.
• * 早期识别有风险的个体对于缓解AUD发展至关重要.
• *使用绝对风险预测模型进行个性化,特定时间的风险评估对于青少年和年轻人来说至关重要.

研究的目的:

• * 开发和验证一种深度学习模型,用于预测青少年和年轻人患AUD的绝对风险.
• * 确定这一人口群体中AUD风险的关键预测因素.
• * 在歧视和校准方面评估模型的性能.

主要方法:

• *使用从青少年到成人健康国家纵向研究的数据构建了一个深度学习模型.
• *采用沙普利增量解释 (SHAP) 来确定预测因素的重要性.
• *模型性能使用五倍交叉验证 (AUC,E/O比率) 和独立测试数据集进行了评估.

主要成果:

• *发现的关键预测因素包括生物性别,犯罪率和人格特征 (良心,外向).
• *该模型在交叉验证中达到0.72的AUC,在独立验证中达到0.85,用于预测首次饮酒6年内AUD风险.
• *独立验证表明,在1至6年的预测中,加权平均AUC为0.86,表现强,表明了良好的区分和校准.

结论:

• * 本研究提出了第一个用于绝对AUD风险预测的深度学习模型.
• *该模型有效地识别了青少年和年轻成年人患有AUD高风险.
• * 早期发现有助于及时和适当的临床干预,可能降低AUD的流行率.