验证一个贝叶斯学习模型以预测大麻使用障碍的风险
摘要：注意：大麻使用障碍（CUD）是一个日益严重的公共卫生问题。尽早识别青少年和年轻成年人在将来有发展CUD的风险可能有助于遏制这一趋势。最近，使用贝叶斯学习方法适应的逻辑回归模型被开发出来，以预测基于青少年和青年时期的七个风险因素的未来CUD风险。我们使用了代表全国的纵向数据集Add Health来训练该模型（以下简称Add Health模型）。方法：我们使用长期数据验证了Add Health模型在两个队列上，即密西根纵向研究（MLS）和基督城健康和发展研究（CHDS），直到参与者约30岁（保持与Add Health的训练数据一致）。如果在此期间的任何年龄段被诊断为CUD，则被视为病例。我们计算了曲线下面积（AUC）和预期和观察到的病例数量之比（E/O）。我们还探索了重新校准模型以考虑人群患病率的差异。结果：用于验证的队列大小为MLS 424人（53个病例）和CHDS 637人（105个病例）。两个队列的AUC分别为0.66（MLS）和0.73（CHDS），相应的E/O比值（经过重新校准）分别为0.995和0.999。结论：对Add Health模型在两个不同队列上进行外部验证，增强了模型准确识别有高发展CUD风险的青少年或年轻成年人大麻用户能力的信心。
作者：Thanthirige Lakshika M. Ruberu, Rajapaksha Mudalige Dhanushka S. Rajapaksha, Mary M. Heitzeg, Ryan Klaus, Joseph M. Boden, Swati Biswas, Pankaj Choudhary
论文ID：2306.06809
分类：Applications
分类简称：stat.AP
提交时间：2023-07-18