کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
4931891 1433297 2018 8 صفحه PDF 16 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله ISI
Predicting posttraumatic stress disorder following a natural disaster
ترجمه فارسی عنوان
پیش بینی اختلال استرس پس از سانحه بعد از یک بلای طبیعی
کلمات کلیدی
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1. مواد و روش ها

1.1 نمونه

1.2 اندازه گیری نتیجه

1.3 متغیرهای مستقل

1.4 روش تجزیه و تحلیل

جدول 1.توضیحات خلاصه از الگوریتم های یادگیری ماشینی رایج

2. نتایج

2.1  یادگیرنده فوق العاده در مقابل رگرسیون لجستیک

2.2 یادگیرنده فوق العاده در مقابل الگوریتم دیگر

جدول2. عملکرد کلی الگوریتم های فردی تایید شده و یادگیرنده فوق العاده تایید شده

2.3 سطوح ریسک

3. بحث

شکل 1: نسبت موارد PTSD احتمالی در محدوده خطر پیش بینی شده (حساسیت) بر اساس یادگیرنده فوق العاده

شکل 2: شیوع PTSD احتمالی در محدوده خطر پيش بيني شده (مقدار پيشبینی مثبت) بر اساس يادگيرنده فوق العاده.
ترجمه چکیده
زمین لرزه ها یکی از بلایای طبیعی رایج و مرگبار هستند، که تقریبا یک چهارم از بازماندگان پس از آن دچار اختلال استرس پس از حادثه (PTSD) می شوند. علی رغم پیشرفت فاکتورهای خطر، پژوهش های محدودی بررسی کردند که چگونه باید متغیرها را در یک ابزار بهینه پیش بینی PTSD پس از زلزله گنجاند تا بتوان از آن برای تریاژ بازماندگان برای خدمات بهداشت روانی استفاده کرد. مطالعه فعلی نمره ریسک PTSD بعد از زلزله را با استفاده از روش های یادگیری ماشینی که برای پیش بینی بهینه طراحی شده اند را توسعه داده است. داده ها از بررسی مروری دو نفر شیلی در معرض زلزله با بزرگی 8.8 گرفته شده که در فوریه 2010 اتفاق افتاده است. پاسخ دهندگان (n=23907) حدود سه ماه قبل و سه ماه بعد از زلزله مورد مصاحبه قرار گرفتند. PTSD احتمالی بعد از زلزله با استفاده از مقیاس ترومای دیویدسون بررسی شد. ما روش یادگیری فوق العاده را که یک روش یادگیری ماشینی است را برای توسعه نمره خطر PTSD از 67 عامل خطر به کار گرفتیم که می تواند بعد از یک هفته از وقوع زمین لرزه بررسی شود. الگوریتم یادگیرنده فوق العاده عملکرد معتبر بهتری نسبت به 39 الگوریتم فردی، از جمله رگرسیون لجستیک معمولی که توسعه داده شده بود دارد. یادگیرنده فوق العاده نیز تحت منحنی مشخصه عملکرد گیرنده (0.79) نسبت به ابزارهای خطر PTSD بعد از فاجعه موجود ناحیه بهتری دارد. افراد در بالای 5%، 10% و 20% از توزیع خطر پیشبینی شده به ترتیب 17.5%، 32.2% و 51.4% از موارد احتمالی PTSD را دارند. علاوه بر توسعه یک نمره خطر که می تواند در آِینده نزدیک پیاده سازی شود، این نتایج عمدتا استفاده از یادگیری فوق العاده برای توسعه عملکرد پیشبینی بهینه را برای خروجی سلامت روانی حمایت می کند.
موضوعات مرتبط
علوم زیستی و بیوفناوری علم عصب شناسی روانپزشکی بیولوژیکی
چکیده انگلیسی

Earthquakes are a common and deadly natural disaster, with roughly one-quarter of survivors subsequently developing posttraumatic stress disorder (PTSD). Despite progress identifying risk factors, limited research has examined how to combine variables into an optimized post-earthquake PTSD prediction tool that could be used to triage survivors to mental health services. The current study developed a post-earthquake PTSD risk score using machine learning methods designed to optimize prediction. The data were from a two-wave survey of Chileans exposed to the 8.8 magnitude earthquake that occurred in February 2010. Respondents (n = 23,907) were interviewed roughly three months prior to and again three months after the earthquake. Probable post-earthquake PTSD was assessed using the Davidson Trauma Scale. We applied super learning, an ensembling machine learning method, to develop the PTSD risk score from 67 risk factors that could be assessed within one week of earthquake occurrence. The super learner algorithm had better cross-validated performance than the 39 individual algorithms from which it was developed, including conventional logistic regression. The super learner also had a better area under the receiver operating characteristic curve (0.79) than existing post-disaster PTSD risk tools. Individuals in the top 5%, 10%, and 20% of the predicted risk distribution accounted for 17.5%, 32.2%, and 51.4% of all probable cases of PTSD, respectively. In addition to developing a risk score that could be implemented in the near future, these results more broadly support the utility of super learning to develop optimized prediction functions for mental health outcomes.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Psychiatric Research - Volume 96, January 2018, Pages 15-22
نویسندگان
, , , , ,