Longitudinal and Graph-Augmented Prediction of Adolescent Substance Use Onset in the ABCD Study
Deze studie toont aan dat het combineren van longitudinale modellering met graaf-geaugmenteerde relationele data uit de ABCD Study de voorspelling van het begin van adolescent middelengebruik aanzienlijk verbetert, waarbij een superieure prestatie wordt bereikt door middel van een gestapeld ensemble van temporele XGBoost en Temporal Graph Convolutional Networks.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar nemen miljoenen tieners hun eerste slok alcohol of proberen ze marihuana. Terwijl velen experimenteren en er weer vanaf komen, vormt dit vroege begin voor sommigen het begin van een gevaarlijk pad naar verslaving en langdurige gezondheidsproblemen. Wetenschappers weten al lang dat het risico op middelengebruik geen vaststaand kenmerk is dat bij de geboorte wordt bepaald; het is eerder een verhaal dat zich in de loop van de tijd ontvouwt. De omgeving van een kind, hun vriendschappen, de regels binnen hun gezin en hun eigen veranderende gedrag, alles verschuift en interageert terwijl zij opgroeien van tien jaar oud naar hun late tienerjaren. De uitdaging voor onderzoekers is geweest om een manier te vinden om dit ontvouwende verhaal vroegtijdig te kunnen lezen om te kunnen helpen, waarbij het onderscheid wordt gemaakt tussen de kinderen die simpelweg nieuwsgierig zijn en degenen die op weg zijn naar problemen.
Om dit op te lossen, richtte een team van onderzoekers zich op een enorm, lopend project genaamd de Adolescent Brain Cognitive Development Study. Deze studie volgt bijna 12.000 kinderen in de Verenigde Staten en controleert elk jaar hun leven met ongelooflijk veel detail. De onderzoekers wilden zien of ze deze stroom aan gegevens konden gebruiken om te voorspellen welke kinderen zouden beginnen met middelengebruik voordat ze dat daadwerkelijk deden. Ze testten drie verschillende manieren om de gegevens te bekijken: een momentopname van het leven van een kind op een enkel punt in de tijd, een film van hun veranderende leven door de tijd heen, en een kaart van hoe kinderen met elkaar verbonden zijn via familie, school en gedeelde ervaringen.
De onderzoekers begonnen met het stellen van een eenvoudige vraag: is een enkele blik op het leven van een kind genoeg om de toekomst te voorspellen? Ze namen de gegevens van het allereerste jaar van de studie, die details bevatten zoals leeftijd, gezinsinkomen, schoolprestaties en de veiligheid in de buurt, en probeerden te raden wie jaren later zou gaan drinken of marihuana zou gebruiken. Ze gebruikten krachtige computerprogramma's om patronen te vinden in deze statische informatie. De resultaten waren redelijk, maar niet geweldig. De programma's konden enkele risicofactoren identificeren, zoals de leeftijd van een kind of de regels die hun familie hanteerde over alcohol, maar ze misten de dynamische veranderingen die optreden wanneer een tiener opgroeit. Het was als het proberen te voorspellen van het weer door naar een enkele foto van de lucht te kijken; je kunt de wolken zien, maar je kunt niet zien hoe de wind draait of hoe een storm opbouwt.
Vervolgens probeerde het team een andere aanpak, waarbij ze de computer de volledige geschiedenis van het leven van elk kind voerden tot aan het moment van voorspelling. In plaats van een enkele momentopname, gaven ze het model een reeks updates, die lieten zien hoe het gedrag, de vriendschappen en de mentale gezondheid van een kind van jaar tot jaar veranderden. Deze methode bleek veel krachtiger. Door de trajectorie van het leven van een kind te volgen, kon de computer waarschuwingssignalen opmerken die een enkele momentopname zou missen. Zo werd duidelijk dat een plotselinge toename in het omgaan met vrienden die de regels overtreden, of een stijging in gedragsproblemen, sterke signalen waren dat middelengebruik aan de horizon verscheen. Het model dat deze veranderende patronen het beste vastlegde, was een flexibel hulpmiddel dat complexe, niet-lineaire relaties in de gegevens kon leren, wat in feite betekende dat het verhaal van het leven van een kind belangrijker is dan welk enkel hoofdstuk dan ook.
De onderzoekers vroegen zich vervolgens af of weten wie een kind kent nog meer waarde zou toevoegen. Adolescenten leven niet in een vacuüm; ze worden beïnvloed door hun ouders, hun leraren en hun leeftjesgenoten. Om dit te testen, bouwde het team digitale kaarten die kinderen verbonden op basis van gedeelde familieleden, gedeelde scholen of zelfs vergelijkbare levensomstandigheden. Ze gebruikten een type kunstmatige intelligentie dat ontworpen is om deze verbindingen te begrijpen, in de hoop dat dit verborgen risico's zou onthullen die individuele gegevenspunten niet konden tonen. Hoewel deze kaarten nuttige aanwijzingen boden, presteerden ze niet beter dan de methode die simpelweg de eigen geschiedenis van het kind over de tijd volgde. De verbindingen tussen kinderen voegden een laag van context toe, maar het krachtigste signaal bleef het eigen veranderende gedrag en de omgeving van het kind.
De doorbraak kwam toen de onderzoekers deze benaderingen combineerden. Ze namen de sterke voorspellingen van het op de tijdlijn gebaseerde model en voegden daar de inzichten van de op verbindingen gebaseerde kaarten aan toe. Deze combinatie werkte beter dan enige enkele methode alleen. Door het verhaal van het leven van het individu te mengen met de context van hun relaties, bereikte het team het hoogste niveau van nauwkeurigheid in het voorspellen van het ontstaan van middelengebruik. Hun beste model identificeerde het risico op alcohol- en marijuanagebruik met een hoge mate van betrouwbaarheid en presteerde daarmee beter dan alle eerdere pogingen die vertrouwden op statische gegevens of geïsoleerde methoden.
De analyse onthulde ook precies wat deze voorspellingen aanstuurt. Hoewel de leeftijd van een kind altijd een belangrijke factor was, verschoven de meest kritieke waarschuwingssignalen naarmate de kinderen ouder werden. In de vroege jaren waren regels binnen het gezin en de omstandigheden in de buurt dominant. Maar naarmate de kinderen de tienerjaren ingingen, werden de invloed van hun leeftjesgenoten en hun eigen gedragsproblemen de luidste signalen. Een kind dat begon te associëren met vrienden die regelovertredend gedrag vertoonden, of die begon tekenen te vertonen van externaliserende problemen zoals agressie of impulsiviteit, liep een aanzienlijk hoger risico. Deze bevindingen suggereren dat de meest effectieve manier om tieners te beschermen niet alleen is om naar hun achtergrond te kijken, maar om te zien hoe hun wereld om hen heen verandert en hoe zij daarop reageren.
Uiteindelijk toont dit werk aan dat het voorspellen van de toekomst van de gezondheid van adolescenten een dynamisch beeld vereist. Een enkele beoordeling van het leven van een kind is onvoldoende omdat de risico's evolueren. Het meest nauwkeurige beeld ontstaat wanneer we het ontvouwende verhaal van de ontwikkeling van een kind volgen, terwijl we ook het web van relaties begrijpen dat hen omringt. Hoewel geen enkel model de toekomst met absolute zekerheid kan voorspellen, laat deze studie zien dat door de tijdlijn van een leven te combineren met de kaart van de verbindingen, we de kinderen kunnen identificeren die de meeste hulp nodig hebben, waardoor we een duidelijk pad voor preventie bieden vóór de eerste slok of de eerste trek.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.