Applying Machine Learning to Predict Complex Clinical Course in Youth With Eating Disorders
Notice bibliographique
Résumé
OBJECTIVE: To compare the predictive performance of supervised machine learning models to logistic regression in identifying youth with eating disorders at risk of a complex clinical course based on clinical characteristics from the first treatment episode. METHODS: Clinical data from 327 youth treated at any level of care at the Children's Hospital of Eastern Ontario Eating Disorders Program (2018-2024) were extracted. Complex clinical course outcome was defined as either readmission after discharge or a treatment trajectory deviating from the expected step-down in intensity, including return to the same or escalation to a higher level of care. Thirty-four intake and discharge variables from the first treatment episode were used to train seven machine learning models and logistic regression using repeated nested cross-validation. Performance was assessed by AUC and brier scores. Models using intake-only versus intake plus discharge data were compared. A parsimonious model using the top 10 predictors was also evaluated. RESULTS: Random forest model with intake and discharge data achieved the best performance (AUC = 0.723; Brier = 0.176) that was significantly superior to logistic regression. Models trained on intake-only data showed poor discrimination (AUCs < 0.6). Including discharge data improved model performance across all algorithms. The most important predictor was weight change throughout treatment. Random forest performance declined when restricted to the top 10 predictors. DISCUSSION: Supervised machine learning demonstrates improved predictive performance for eating disorder disease course outcomes compared to traditional statistical methods, especially in higher-dimensionality settings. These findings support future application of machine learning to complex biopsychosocial datasets to advance precision medicine initiatives in the eating disorder field and better understand the etiology of disease trajectory.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».