J Psychiatr Res。 2016 Aug 15;83:94-102。 doi：10.1016 / j.jpsychires.2016.08.010。
Ioannidis K.1, 张伯伦SR1, 特雷德MS2, 基拉伊F.3, Leppink EW4, Redden SA4, 斯坦因DJ5, Lochner C5, 格兰特JE6.
作者信息
- 1英国剑桥大学精神病学系; 剑桥和彼得堡NHS基金会信托基金会，英国剑桥。
- 2英国剑桥大学行为与临床神经科学研究所。
- 3伦敦大学学院，英国伦敦统计科学系。
- 4芝加哥大学精神病学和行为神经科学系，美国伊利诺伊州芝加哥市。
- 5南非斯泰伦博斯大学精神病学系美国/ UCT MRC焦虑与压力障碍研究室。
- 6芝加哥大学精神病学和行为神经科学系，美国伊利诺伊州芝加哥市。 电子地址： [电子邮件保护].
抽象
存在问题的互联网使用很普遍，功能上存在缺陷，需要进一步研究。 它与强迫症和冲动性疾病的关系尚不清楚。 我们的目标是评估是否可以从公认的冲动和强迫特质以及症状学形式中预测出互联网使用问题。 我们在两个地点（美国芝加哥和南非斯泰伦博斯）使用媒体广告招募了18岁以上的志愿者，以完成广泛的在线调查。 使用了机器学习预测模型的最新样本外评估，其中包括逻辑回归，随机森林和朴素贝叶斯。 使用互联网成瘾测试（IAT）确定了互联网使用存在问题。 分析了2006年的完整病例，其中181个（9.0％）的互联网使用存在中度/严重问题。 使用Logistic回归和朴素贝叶斯，我们进行了分类预测，其曲线下的接收器工作特征区域（ROC-AUC）为0.83（SD 0.03），而使用随机森林算法预测的ROC-AUC为0.84（SD 0.03）[全部三个优于基线模型的模型p <0.0001]。 模型显示了所有验证集中研究地点之间的稳固转移[p <0.0001]。 使用特定的冲动性和强迫性措施，可以对志愿者群体中的互联网使用情况进行预测。 此外，本研究提供了概念证明，以支持在精神病学中使用机器学习来证明结果在地理和文化上不同的环境中的可复制性。
关键词：
多动症; Compulsivity; 冲动; 互联网使用; 机器学习; OCD
结论：27580487
作者：10.1016 / j.jpsychires.2016.08.010
;
