Machine Learning Algorithms to Predict Heavy Episodic Drinking in the United States Using Survey Data
Notice bibliographique
Résumé
INTRODUCTION: Heavy episodic drinking (HED) is a major public health concern but is often missing from surveys or measured unreliably. Predictive models offer a method to estimate HED's likelihood at the individual level in such cases. While logistic regression is commonly used, other machine learning algorithms (MLA) may offer greater accuracy and robustness. This study compares various MLAs to identify the best predictive model of HED. METHODS: Data from the 1997-2018 National Health Interview Survey were used. Six MLAs were trained and cross-validated: logistic regression, naïve bayes, k-nearest neighbour, support vector machine, random forest and XGBoost. Model performance was compared, and the SHapley Additive exPlanations (SHAP) method assessed interpretability by ranking features based on their contribution to the model's prediction. RESULTS: The probability of correctly ranking a randomly selected HED instance higher than a non-HED instance ranged from 0.85 to 0.97 (with values closer to 1 indicating better performance). XGBoost outperformed the other MLAs (sensitivity 0.80, precision 0.83, accuracy 0.92). Amongst the 11 features included in the models, average daily alcohol use and age were the most influential, as determined by SHAP values. DISCUSSION AND CONCLUSIONS: The strong discriminative ability of our models shows that even a limited number of well-chosen features can yield robust predictions, highlighting the potential of MLAs for modelling health behaviours. Integrating our models into simulation frameworks can help model HED and test scenarios, leading to effective policies. Future studies should incorporate objective sources for external validation and investigate systematic biases to improve predictive accuracy.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».