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, Grant JE6.
Auteurs informatie
- 1Afdeling Psychiatrie, Universiteit van Cambridge, VK; Cambridge and Peterborough NHS Foundation Trust, Cambridge, VK.
- 2Behavioral and Clinical Neuroscience Institute, University of Cambridge, Verenigd Koninkrijk.
- 3University College London, Department of Statistical Science, Londen, Verenigd Koninkrijk.
- 4Afdeling Psychiatrie en Behavioral Neuroscience, University of Chicago, Chicago, IL, VS.
- 5US / UCT MRC-eenheid voor angst- en stressstoornissen, afdeling psychiatrie, Universiteit van Stellenbosch, Zuid-Afrika.
- 6Afdeling Psychiatrie en Behavioral Neuroscience, University of Chicago, Chicago, IL, VS. Elektronisch adres: [e-mail beveiligd].
Abstract
Problematisch internetgebruik komt vaak voor, is functioneel beperkt en behoeft verder onderzoek. De relatie met obsessief-compulsieve en impulsieve stoornissen is onduidelijk. Ons doel was om te evalueren of problematisch internetgebruik kan worden voorspeld op basis van erkende vormen van impulsieve en compulsieve eigenschappen en symptomatologie. We rekruteerden vrijwilligers van 18 jaar en ouder met behulp van media-advertenties op twee locaties (Chicago, VS en Stellenbosch, Zuid-Afrika) om een uitgebreide online enquête in te vullen. State-of-the-art evaluatie buiten de steekproef van voorspellende modellen van machine learning werd gebruikt, waaronder Logistic Regression, Random Forests en Naïve Bayes. Problematisch internetgebruik werd vastgesteld met behulp van de Internet Addiction Test (IAT). In 2006 werden volledige gevallen geanalyseerd, van wie 181 (9.0%) matig / ernstig problematisch internetgebruik hadden. Met behulp van Logistic Regression en Naïeve Bayes hebben we een classificatievoorspelling gemaakt met een ontvangerkarakteristiek gebied onder de curve (ROC-AUC) van 0.83 (SD 0.03), terwijl met een Random Forests-algoritme de voorspelling ROC-AUC 0.84 (SD 0.03) was [alle drie modellen superieur aan baselinemodellen p <0.0001]. De modellen lieten een robuuste overdracht zien tussen de onderzoekslocaties in alle validatiesets [p <0.0001]. Voorspelling van problematisch internetgebruik was mogelijk met behulp van specifieke maatregelen van impulsiviteit en compulsiviteit bij een populatie vrijwilligers. Bovendien biedt deze studie proof-of-concept ter ondersteuning van het gebruik van machine learning in de psychiatrie om repliceerbaarheid van resultaten in geografisch en cultureel verschillende omgevingen aan te tonen.
trefwoorden:
ADHD; compulsivity; impulsiviteit; Internetgebruik; Machine learning; OCD
PMID:27580487
DOI:10.1016 / j.jpsychires.2016.08.010
;
