机器学习在暴饮行为预测中的应用:系统综述

《Journal of Affective Disorders》:Machine learning in the prediction of binge drinking: A systematic review

【字体: 大 中 小 】 时间:2026年10月16日 来源:Journal of Affective Disorders 5.7

编辑推荐:

   •冲动性、情绪困扰和人口学因素被确认为BD的关键预测因子。•移动应用程序收集的实时数据显示出作为预测因子的良好潜力。•神经影像学研究结果存在异质性,没有发现与BD持续相关的脑区。各章节摘要背景多年来,"暴饮"(BD)这一术语一直与多种定义相关联。最初,定量定义基于单次饮用的饮

  
  • •
    冲动性、情绪困扰和人口学因素被确认为BD的关键预测因子。
  • •
    移动应用程序收集的实时数据显示出作为预测因子的良好潜力。
  • •
    神经影像学研究结果存在异质性,没有发现与BD持续相关的脑区。

各章节摘要

背景

多年来,"暴饮"(BD)这一术语一直与多种定义相关联。最初,定量定义基于单次饮用的饮用量——女性至少四杯,男性至少五杯(Wechsler等,1994)。后来,美国国家酒精滥用与酒精中毒研究所(NIAAA)提出了一种更具体的定义,该定义考虑了血液酒精浓度(BAC)的个体差异,这种差异受身体特征和

材料与方法

我们遵循PRISMA指南(Page等,2022),从建库至2026年7月2日在PubMed、Embase和Scopus上进行了系统检索。以下检索策略通过组合布尔运算符设计而成:"(binge drink)AND(machine learning OR SVM OR support vector machine OR random forest OR neural network OR supervised learning OR unsupervised learning OR xboost OR gradient boosting OR regression tree OR elastic net"。数据库检索通过手工检索进行补充,

研究筛选

检索策略从数据库检索中获得335篇出版物。去除重复项并经摘要筛选后,对22篇出版物进行了全文审查。最终,21篇完全符合纳入标准的论文被纳入本综述研究(见图1)。
这些研究的样本人群、方法和主要发现汇总于表1。

各研究的方法学特征

在所纳入的研究中,六项研究使用了单一机器学习技术(Vik等,2006a;O'Halloran等,2018a,

讨论

本研究旨在回顾现有文献,重点关注通过机器学习技术识别可能的BD预测因子。
如今,现有的策略主要通过直接检测血液(Taylor等,2021;Golka和Wiese,2004)、毛发(Pragst和Balikova,2006)及其他体液(Paprocki等,2022)中的原化合物或其衍生物来识别当前或过去的酒精中毒。然而,筛选高危人群以防止BD的标准程序

局限性

尽管本研究为潜在有用的BD预测因
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号