Prospective prediction of anxiety onset in the Canadian longitudinal study on aging (CLSA): A machine learning study
Notice bibliographique
Résumé
BACKGROUND: Anxiety disorders are among the most common mental health disorders in the middle aged and older population. Because older individuals are more likely to have multiple comorbidities or increased frailty, the impact of anxiety disorders on their overall well-being is exacerbated. Early identification of anxiety disorders using machine learning (ML) can potentially mitigate the adverse consequences associated with these disorders. METHODS: We applied ML to the data from the Canadian Longitudinal Study on Aging (CLSA) to predict the onset of anxiety disorders approximately three years in the future. We used Shapley value-based methods to determine the top factor for prediction. We also investigated whether anxiety onset can be predicted by baseline depression-related predictors alone. RESULTS: Our model was able to predict anxiety onset accurately (Area under the Receiver Operating Characteristic Curve or AUC = 0.814 ± 0.016 (mean ± standard deviation), balanced accuracy = 0.741 ± 0.016, sensitivity = 0.743 ± 0.033, and specificity = 0.738 ± 0.010). The top predictive factors included prior depression or mood disorder diagnosis, high frailty, anxious personality, and low emotional stability. Depression and mood disorders are well known comorbidity of anxiety; however a prior depression or mood disorder diagnosis could not predict anxiety onset without other factors. LIMITATION: While our findings underscore the importance of a prior depression diagnosis in predicting anxiety, they also highlight that it alone is inadequate, signifying the necessity to incorporate additional predictors for improved prediction accuracy. CONCLUSION: Our study showcases promising prospects for using machine learning to develop personalized prediction models for anxiety onset in middle-aged and older adults using easy-to-access survey data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».