Anxiety onset in adolescents: a machine-learning prediction
Notice bibliographique
Résumé
Recent longitudinal studies in youth have reported MRI correlates of prospective anxiety symptoms during adolescence, a vulnerable period for the onset of anxiety disorders. However, their predictive value has not been established. Individual prediction through machine-learning algorithms might help bridge the gap to clinical relevance. A voting classifier with Random Forest, Support Vector Machine and Logistic Regression algorithms was used to evaluate the predictive pertinence of gray matter volumes of interest and psychometric scores in the detection of prospective clinical anxiety. Participants with clinical anxiety at age 18-23 (N = 156) were investigated at age 14 along with healthy controls (N = 424). Shapley values were extracted for in-depth interpretation of feature importance. Prospective prediction of pooled anxiety disorders relied mostly on psychometric features and achieved moderate performance (area under the receiver operating curve = 0.68), while generalized anxiety disorder (GAD) prediction achieved similar performance. MRI regional volumes did not improve the prediction performance of prospective pooled anxiety disorders with respect to psychometric features alone, but they improved the prediction performance of GAD, with the caudate and pallidum volumes being among the most contributing features. To conclude, in non-anxious 14 year old adolescents, future clinical anxiety onset 4-8 years later could be individually predicted. Psychometric features such as neuroticism, hopelessness and emotional symptoms were the main contributors to pooled anxiety disorders prediction. Neuroanatomical data, such as caudate and pallidum volume, proved valuable for GAD and should be included in prospective clinical anxiety prediction in adolescents.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».