Using machine learning to predict pretreatment drinking changes

Matison W. McCool

doi:10.1111/acer.70244

2026-02-01

PRE

DOI：10.1111/acer.70244

原文链接

摘要

En 中文

背景：研究表明，许多参与酒精使用治疗研究的参与者在开始治疗之前就开始改变其饮酒行为。尽管有若干研究探讨了与此类变化相关的因素，但结果不一或效果较小。理论和方法的局限性都阻碍了对这类变化的理解，突显了需要新的分析方法。本研究旨在探讨传统建模方法（线性回归和逻辑回归）和机器学习（递归分割、随机森林、神经网络和支持向量机）如何用于预测治疗前饮酒变化。方法：使用一个包含175名以白人为主的（93.7%）参与者的现有数据集的基线心理构念和人口学变量，我们将数据随机分为训练数据集（80%的可用数据）和测试数据集（20%的可用数据），并使用训练数据集运行初始模型。然后，使用剩余的测试数据，我们使用训练好的模型对新数据进行预测。我们运行了预测饮酒变化百分比和重度饮酒天数的模型，以及分类模型以判断参与者是否为治疗前变化者（饮酒天数减少50%；重度饮酒天数百分比减少70%）。结果：总体而言，神经网络模型倾向于具有最高的预测准确率，尽管模型曲线下面积从较差到可接受不等。变量重要性算法表明，人口因素（如教育和收入）和心理构念（如变化过程）是提高模型性能的最重要预测因素之一。结论：将人口变量识别为重要预测因素，突显了理解人口和社会层面的因素作为治疗前饮酒变化的潜在驱动因素的重要性。

Keyword:

alcohol use

machine learning

pretreatment change