基于贝叶斯机器学习预测 Cannabis 使用障碍的绝对风险——针对青少年及早期成年人
应用统计
2025-05-29 v2 机器学习
摘要
引入：药物使用障碍（SUDs）已成为美国紧迫的公共卫生 concern，青少年药物使用常导致成年期 SUDs。需要有效策略来遏制这一趋势。为此，我们开发了一个用于预测青少年或年轻成年人癌大豆使用障碍（CUD）的新型绝对风险预测模型。方法：我们训练了一个提供个体化 CUD 绝对风险的贝叶斯机器学习模型，基于美国长期追踪青少年至成年健康调查（National Longitudinal Study of Adolescent to Adult Health）的数据。通过 5 折交叉验证（CV）评估模型性能，计算ROC 曲线下面积（AUC）和预期发生数与观察发生数之比（E/O）。模型的最终独立验证采用两个独立数据集进行。结果：该模型包含五个风险因素：生物性别、犯法行为以及对勇气、神经质和开放性人格特质的评分。对于首次使用癌大豆后 5 年内预测 CUD 风险，训练数据集和两个验证数据集的 AUC 分别为 0.68、0.64 和 0.75，E/O 分别为 0.95、0.98 和 1。结果表明，该模型在区分度和校准度方面表现良好。讨论与结论：该模型可帮助临床医生评估青少年和年轻成年人发展 CUD 的风险，从而实施适当的干预措施。
引用
@article{arxiv.2501.09156,
title = {Absolute Risk Prediction for Cannabis Use Disorder in Adolescence and Early Adulthood Using Bayesian Machine Learning},
author = {Tingfang Wang and Joseph M. Boden and Swati Biswas and Pankaj K. Choudhary},
journal= {arXiv preprint arXiv:2501.09156},
year = {2025}
}