Machine learning models to predict posttraumatic stress injuries in a sample of firefighters: A proof of concept
Notice bibliographique
Résumé
Firefighters face significant physical and psychological challenges in their profession that may increase the risk for post-traumatic stress injuries (PTSI). Longitudinal monitoring of PTSI is considered a preventive strategy to manage mental health at work, but tools to predict the probability of PTSI remain limited. To address this issue, our proof of concept aimed to use machine learning models to predict PTSI in firefighters through longitudinal intensive assessment. The study recruited 274 Canadian firefighters that monitored their mental health and psychosocial risk and protective factors with assessments every 2 weeks over 12 weeks. Our analyses trained and tested 27 models, which were developed by combining four different algorithms (logistic regression, support vector classifier and extreme gradient boosting), number of data collection points before target and typology of features (mental health symptoms and psychosocial predictors). Overall, most of the models showed medium-high values of accuracy and specificity, while sensitivity and precision showed greater variability depending on the composition of the models. Model comparison showed that (a) support vector classifier and extreme gradient boosting performed better than logistic regression, (b) the more assessment points prior to the target week are used, the best prediction is obtained, and (c) that full feature set performed better than distress measures only. Our results suggest that combining ML and intensive longitudinal assessment may lead to the development of a potentially useful prevention method in the future.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».