Problémás internethasználat (PIU): Egyesületek az impulzív-kompulzív spektrummal. A gépi tanulás pszichiátriai alkalmazásában (2016)

J Psychiatr Res. 2016 Aug 15;83:94-102. doi: 10.1016 / j.jpsychires.2016.08.010.

Ioannidis K1, Chamberlain SR1, Treder MS2, Kiraly F3, Leppink EW4, Redden SA4, Stein DJ5, Lochner C5, JE6.

Szerző információ

  • 1Pszichiátriai Tanszék, University of Cambridge, Egyesült Királyság; Cambridge és Peterborough NHS Foundation Trust, Cambridge, Egyesült Királyság.
  • 2Viselkedési és klinikai idegtudományi Intézet, University of Cambridge, Egyesült Királyság.
  • 3University College London, Statisztikai Tudományok Tanszék, London, Egyesült Királyság.
  • 4Pszichiátriai és viselkedési neurológiai tudományok Tanszék, Chicago, IL, USA.
  • 5USA / UCT MRC szorongás és stressz rendellenességek osztálya, Pszichiátriai Tanszék, Stellenboschi Egyetem, Dél-Afrika.
  • 6Pszichiátriai és viselkedési neurológiai tudományok Tanszék, Chicago, IL, USA. Elektronikus cím: [e-mail védett].

Absztrakt

A problémás internethasználat gyakori, funkcionálisan káros és további tanulmányokra szorul. Nem egyértelmű a kapcsolata a rögeszmés-kényszeres és impulzív rendellenességekkel. Célunk az volt, hogy felmérjük, hogy a problémás internethasználat megjósolható-e az impulzív és kényszeres tulajdonságok és a tünetek felismert formái alapján. 18 éves és idősebb önkénteseket vettünk fel médiahirdetések segítségével két helyszínen (Chicago USA és Stellenbosch, Dél-Afrika) egy átfogó online felmérés kitöltésére. A gépi tanulás prediktív modelljeinek legkorszerűbb, mintán kívüli értékelését alkalmazták, amely magában foglalta a logisztikai regressziót, a véletlenszerű erdőket és a naiv Bayeket. A problémás internethasználatot az Internet Addiction Test (IAT) segítségével azonosították. 2006 teljes esetét elemeztük, akik közül 181-nek (9.0%) volt közepes / súlyos problémás internethasználata. Logisztikai regresszió és Naiv Bayes segítségével osztályozási predikciót készítettünk, amelynek a vevő működési jellemző területe a görbe alatt (ROC-AUC) 0.83 (SD 0.03), míg Random Forests algoritmus segítségével a predikció ROC-AUC 0.84 (SD 0.03) [összes három modell felülmúlja a kiindulási modelleket, p <0.0001]. A modellek az összes validációs készletben robusztus transzfert mutattak a vizsgálati helyek között [p <0.0001]. A problémás internethasználat előrejelzése az önkéntesek populációjában az impulzivitás és a kényszeresség speciális mércéivel volt lehetséges. Sőt, ez a tanulmány a koncepció igazolását kínálja a gépi tanulás pszichiátriai alkalmazásának támogatására, hogy bemutassa az eredmények földrajzilag és kulturálisan elkülönülő környezetben történő megismételhetőségét.

KEYWORDS:

ADHD; Compulsivity; impulzivitás; Internethasználat; Gépi tanulás; OCD

PMID:27580487

Doi:10.1016 / j.jpsychires.2016.08.010