预测大麻使用障碍风险的贝叶斯学习模型的验证
应用统计
2023-07-18 v1
摘要
背景：大麻使用障碍（CUD）是一个日益严重的公共卫生问题。早期识别未来有发展为 CUD 风险的青少年和年轻成人可能有助于遏制这一趋势。近期开发了一种采用贝叶斯学习方法拟合的逻辑回归模型，基于青少年和青年期的七项风险因素预测未来 CUD 风险。一个全国代表性的纵向数据集 Add Health 被用于训练该模型（以下称 Add Health 模型）。方法：我们在两个队列上验证了 Add Health 模型，即 Michigan Longitudinal Study（MLS）和 Christchurch Health and Development Study（CHDS），使用参与者的纵向数据直至其约 30 岁（以与 Add Health 的训练数据一致）。若参与者在此期间任何年龄被诊断为 CUD，则视为病例。我们计算了曲线下面积（AUC）以及期望与观测病例数的比值（E/O）。我们还探索重新校准模型以解释人群患病率的差异。结果：用于验证的队列规模为 MLS 424 人（53 例）和 CHDS 637 人（105 例）。两个队列的 AUC 分别为 0.66（MLS）和 0.73（CHDS），相应的 E/O 比值（重新校准后）为 0.995 和 0.999。结论：Add Health 模型在两个不同队列上的外部验证，增强了该模型识别日后有高 CUD 发展风险的青少年或年轻成年大麻使用者的信心。
引用
@article{arxiv.2306.06809,
title = {Validation of a Bayesian Learning Model to Predict the Risk for Cannabis Use Disorder},
author = {Thanthirige Lakshika M. Ruberu and Rajapaksha Mudalige Dhanushka S. Rajapaksha and Mary M. Heitzeg and Ryan Klaus and Joseph M. Boden and Swati Biswas and Pankaj Choudhary},
journal= {arXiv preprint arXiv:2306.06809},
year = {2023}
}
备注
25 pages