Machine learning models predict PTSD severity and functional impairment: A personalized medicine approach for uncovering complex associations among heterogeneous symptom profiles.
Notice bibliographique
Résumé
OBJECTIVE: Posttraumatic stress disorder (PTSD) is a debilitating psychiatric illness, experienced by approximately 10% of the population. Heterogeneous presentations that include heightened dissociation, comorbid anxiety and depression, and emotion dysregulation contribute to the severity of PTSD, in turn, creating barriers to recovery. There is an urgent need to use data-driven approaches to better characterize complex psychiatric presentations with the aim of improving treatment outcomes. We sought to determine if machine learning models could predict PTSD-related illness in a real-world treatment-seeking population using self-report clinical data. METHOD: Secondary clinical data from 2017 to 2019 included pretreatment measures such as trauma-related symptoms, other mental health symptoms, functional impairment, and demographic information from adults admitted to an inpatient unit for PTSD in Canada (n = 393). We trained two nonlinear machine learning models (extremely randomized trees) to identify predictors of (a) PTSD symptom severity and (b) functional impairment. We assessed model performance based on predictions in novel subsets of patients. RESULTS: = .001) was predicted by anxiety, PTSD symptom severity, cognitive dysfunction, dissociation, and depressive symptoms. CONCLUSIONS: Our results reinforce that dissociation, cooccurring anxiety and depressive symptoms, maladaptive trauma appraisals, cognitive dysfunction, and emotion dysregulation are critical targets for trauma-related interventions. Machine learning models can inform personalized medicine approaches to maximize trauma recovery in real-world inpatient populations. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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 | 0,011 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».