Forecasting alcohol lapse risk up to two weeks in advance using time-lagged machine learning models.

چکیده اصلی

Alcohol use disorder is a chronic, relapsing condition. Individuals must monitor risk and take proactive steps to manage and reduce it indefinitely to prevent lapse. Smartphone sensing and machine learning offer promise as scalable tools for automating risk monitoring and delivering personalized support during recovery. Research has demonstrated that machine learning models using ecological momentary assessment can generate highly accurate predictions of immediate lapse risk (e.g., within the next hour or day). However, many risks require supports that are not immediately available. These supports may need to be planned or involve coordination with others. In such cases, individuals may benefit from advance warning about changes in their lapse risk and the contributing factors. To meet this need, we developed machine learning models to predict future alcohol lapses within 24-hour prediction windows, lagged by 1 day, 3 days, 1 week, and 2 weeks from the prediction timepoint. We engineered features from 4x daily ecological momentary assessments from individuals (N = 151; 51% male; mean age = 41; 87% non-Hispanic White) in early recovery (≤ 8 weeks of abstinence) from alcohol use disorder over a three-month period. We trained and evaluated models using nested cross-validation. Median posterior auROC values were high (0.85-0.89) across models, though performance decreased modestly with longer lag time. Models performed worse for non-advantaged groups (non-White and/or Hispanic, income below federal poverty line, female) compared to advantaged groups (non-Hispanic White, income above federal poverty line, male). Past alcohol use, abstinence self-efficacy, and craving were the most important features, with the magnitude of their importance varying meaningfully by lag time. These findings demonstrate the feasibility of predicting alcohol lapses up to two weeks in advance. Embedding these models within a recovery monitoring and support system could enable adaptive, personalized care with enough warning to implement recovery supports not immediately available. Improving model fairness and optimizing the delivery of model feedback to sustain engagement remain critical next steps.

ترجمه فارسی چکیده

اختلال مصرف الکل یک بیماری مزمن و با خطر بازگشت (relapsing) است. افراد باید ریسک را پایش کرده و اقدامات پیشگیرانه برای مدیریت و کاهش آن به صورت نامحدود انجام دهند. حسگرهای گوشی هوشمند و یادگیری ماشین پتانسیل بالایی برای خودکار کردن پایش ریسک و ارائه حمایت شخصی‌سازی‌شده در حین بهبودی دارند. تحقیقات نشان داده است که مدل‌های یادگیری ماشین مبتنی بر ارزیابی لحظه‌ای اکولوژیک می‌توانند پیش‌بینی‌های دقیقی از ریسک افت (lapse) فوری ایجاد کنند. با این حال، بسیاری از نیازها به حمایت‌هایی هستند که فوراً در دسترس نیستند. این حمایت‌ها ممکن است نیاز به برنامه‌ریزی داشته باشند یا شامل هماهنگی با دیگران باشد. در چنین مواردی، افراد ممکن است از هشدارهای زودهنگام در مورد تغییرات ریسک افت و عوامل موثر بر آن بهره‌مند شوند. برای پاسخ به این نیاز، ما مدل‌های یادگیری ماشین را برای پیش‌بینی افت‌های آینده الکل در پنجره‌های پیش‌بینی ۲۴ ساعته توسعه دادیم که با تأخیر ۱ روز، ۳ روز، ۱ هفته و ۲ هفته از نقطه زمان پیش‌بینی فاصله دارند. ویژگی‌ها را از ارزیابی‌های لحظه‌ای اکولوژیک ۴ بار در روز از افراد (N = 151؛ 51% مرد؛ میانگین سن = 41؛ 87% غیر اسپانیایی‌تبار سفید) در بهبودی اولیه (≤ ۸ هفته قطعیت) در طول یک دوره سه‌ماهه استخراج کردیم. مدل‌ها را با استفاده از اعتبارسنجی متقاطع تو در تو آموزش و ارزیابی کردیم. مقادیر میانی auROC پسین در تمام مدل‌ها بالا بود (۰.۸۵-۰.۸۹)، هرچند عملکرد با افزایش تأخیر زمانی به طور ملایمی کاهش یافت. مدل‌ها عملکرد ضعیف‌تری نسبت به گروه‌های متمایز (غیر سفید و/یا اسپانیایی‌تبار، درآمد زیر خط فقر فدرال، زن) نسبت به گروه‌های متمایز (غیر اسپانیایی‌تبار سفید، درآمد بالاتر از خط فقر فدرال، مرد) نشان دادند. مصرف قبلی الکل، خودکارآمدی در قطعیت و هوس الکل مهم‌ترین ویژگی‌ها بودند و اهمیت آن‌ها به صورت معناداری با تأخیر زمانی تغییر می‌کرد. این یافته‌ها نشان‌دهنده امکان‌پذیری پیش‌بینی افت‌های الکل تا دو هفته قبل هستند. ادغام این مدل‌ها در یک سیستم پایش و حمایت بهبودی می‌تواند مراقبت‌های تطبیقی و شخصی‌سازی‌شده را با هشدار کافی برای اجرای حمایت‌های بهبودی که فوراً در دسترس نیستند، ممکن سازد. بهبود عدالت مدل و بهینه‌سازی ارائه بازخورد مدل برای حفظ مشارکت، گام‌های بعدی حیاتی باقی مانده است.

متن کامل اصلی