J Psychiatr Res. 2016 Aug 15;83:94-102. doi: 10.1016 / j.jpsychires.2016.08.010.
Ioannidis K1, Kammerherr SR1, Treder MS2, Kiraly F3, Leppink EW4, Redden SA4, Stein DJ5, Lochner C5, Gewähre JE6.
Informationen zum Autor
- 1Abteilung für Psychiatrie, Universität Cambridge, Großbritannien; Cambridge und Peterborough NHS Foundation Trust, Cambridge, Großbritannien.
- 2Behavioral and Clinical Neuroscience Institute, Universität Cambridge, Großbritannien.
- 3University College London, Abteilung für statistische Wissenschaft, London, UK.
- 4Abteilung für Psychiatrie und Verhaltensneurowissenschaften, Universität Chicago, Chicago, IL, USA.
- 5US / UCT MRC-Abteilung für Angst- und Belastungsstörungen, Abteilung für Psychiatrie, Universität Stellenbosch, Südafrika.
- 6Abteilung für Psychiatrie und Verhaltensneurowissenschaften, Universität Chicago, Chicago, IL, USA. Elektronische Adresse: [E-Mail geschützt] .
Abstrakt
Problematische Internetnutzung ist häufig, funktionell beeinträchtigt und bedarf weiterer Untersuchungen. Die Beziehung zu Zwangsstörungen und Impulsstörungen ist unklar. Unser Ziel war es zu bewerten, ob eine problematische Internetnutzung anhand anerkannter Formen impulsiver und zwanghafter Merkmale und Symptome vorhergesagt werden kann. Wir haben Freiwillige ab 18 Jahren mithilfe von Medienwerbung an zwei Standorten (Chicago USA und Stellenbosch, Südafrika) angeworben, um eine umfassende Online-Umfrage durchzuführen. Es wurde eine hochmoderne Auswertung von Vorhersagemodellen für maschinelles Lernen außerhalb der Stichprobe verwendet, darunter logistische Regression, zufällige Wälder und naive Bayes. Problematische Internetnutzung wurde mit dem Internet Addiction Test (IAT) identifiziert. 2006 wurden vollständige Fälle analysiert, von denen 181 (9.0%) eine mittelschwere / schwere problematische Internetnutzung hatten. Unter Verwendung von Logistic Regression und Naive Bayes haben wir eine Klassifizierungsvorhersage mit einer Empfängerbetriebskennlinie unter der Kurve (ROC-AUC) von 0.83 (SD 0.03) erstellt, während unter Verwendung eines Random Forests-Algorithmus die Vorhersage ROC-AUC 0.84 (SD 0.03) betrug [alle drei Modelle, die den Basismodellen p <0.0001 überlegen sind]. Die Modelle zeigten in allen Validierungssätzen einen robusten Transfer zwischen den Untersuchungsorten [p <0.0001]. Die Vorhersage einer problematischen Internetnutzung war unter Verwendung spezifischer Maßstäbe für Impulsivität und Zwanghaftigkeit bei einer Population von Freiwilligen möglich. Darüber hinaus bietet diese Studie einen Proof-of-Concept zur Unterstützung des Einsatzes von maschinellem Lernen in der Psychiatrie, um die Reproduzierbarkeit von Ergebnissen in geografisch und kulturell unterschiedlichen Umgebungen zu demonstrieren.
KEYWORDS:
ADHS; Zwanghaftigkeit; Impulsivität; Internetnutzung; Maschinelles lernen; OCD
PMID:27580487
DOI:10.1016 / j.jpsychires.2016.08.010
;
