Detección multiplataforma de hospitalización psiquiátrica a través de datos de redes sociales

Autor/autores: Nguyen VC , Lu N , Kane JM...(et.al)

Investigaciones anteriores han demostrado la viabilidad de usar modelos de aprendizaje automático entrenados en datos de redes sociales desde una sola plataforma (por ejemplo, Facebook o Twitter) para distinguir a las personas con un diagnóstico de enfermedad mental o que experimentan un resultado adverso de los controles sanos. Sin embargo, el rendimiento de dichos modelos en datos ...

Estás viendo una versión reducida de este contenido.

Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.

Investigaciones anteriores han demostrado la viabilidad de usar modelos de aprendizaje automático entrenados en datos de redes sociales desde una sola plataforma (por ejemplo, Facebook o Twitter) para distinguir a las personas con un diagnóstico de enfermedad mental o que experimentan un resultado adverso de los controles sanos. Sin embargo, el rendimiento de dichos modelos en datos de nuevas plataformas de redes sociales que no se ven en los datos de entrenamiento (p. ej. , Instagram y TikTok) no se ha investigado en la literatura anterior.

Objetivo

Nuestro estudio examinó la viabilidad de construir clasificadores de aprendizaje automático que puedan predecir efectivamente una próxima hospitalización psiquiátrica dados los datos de las redes sociales de plataformas que no se ven en los datos de capacitación de los clasificadores a pesar de la evidencia preliminar sobre la fragmentación de identidad en las plataformas de redes sociales investigadas.

Métodos

Se recopilaron datos de la línea de tiempo en ventana de pacientes con un diagnóstico de trastorno del espectro de la esquizofrenia antes de un evento de hospitalización conocido y controles sanos de 3 plataformas: Facebook (254/268, 94, 8 % de los participantes), Twitter (51/268, 19 % de los participantes), e Instagram (134/268, 50% de los participantes).

Luego, usamos un diseño de clasificación binaria combinatoria 3 × 3 para entrenar clasificadores de aprendizaje automático y evaluar su rendimiento en la prueba de datos de todas las plataformas disponibles. Además, comparamos los resultados de los modelos en experimentos intraplataforma (es decir, datos de entrenamiento y prueba que pertenecen a la misma plataforma) con los de modelos en experimentos entre plataformas (es decir, datos de entrenamiento y prueba que pertenecen a diferentes plataformas).

Resultados

Encontramos que los modelos en experimentos intraplataforma en promedio lograron una puntuación F 1 de 0. 72 (SD 0. 07) en la predicción de una hospitalización psiquiátrica debido al trastorno del espectro de la esquizofrenia, que es un 68% más alto que el promedio de modelos en experimentos interplataforma en un F 1-puntuación de 0, 428 (DE 0, 11).

Al investigar los impulsores clave de la divergencia en las validaciones de constructo entre modelos, un análisis de las características principales para los modelos intraplataforma mostró tanto una baja superposición predictiva de características entre las plataformas como una baja correlación de rango por pares (<0, 1) entre las clasificaciones de características principales de las plataformas.

Además, la similitud de coseno promedio bajo de los datos entre plataformas dentro de los participantes en comparación con la misma medición de datos dentro de plataformas entre participantes apunta a evidencia de fragmentación de identidad de participantes entre plataformas.

Conclusiones

Demostramos que los modelos creados en los datos de una plataforma para predecir los resultados críticos del tratamiento de salud mental, como la hospitalización, no se generalizan a otra plataforma.

En nuestro caso, esto se debe a que las diferentes plataformas de redes sociales reflejan de manera consistente diferentes segmentos de las identidades de los participantes. Con el ecosistema cambiante del uso de las redes sociales entre diferentes grupos demográficos y a medida que las identidades basadas en la web continúan fragmentándose entre plataformas, se requiere más investigación sobre enfoques holísticos para aprovechar estas diversas fuentes de datos.

Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental.jmir.org/