Posttraumatic stress responses are characterized by a heterogeneity in clinical appearance and etiology. This heterogeneity impacts the field's ability to characterize, predict, and remediate maladaptive responses to trauma. Machine learning (ML) approaches are increasingly utilized to overcome this foundational problem in characterization, prediction, and treatment selection across branches of medicine that have struggled with similar clinical realities of heterogeneity in etiology and outcome, such as oncology. In this article, we review and evaluate ML approaches and applications utilized in the areas of posttraumatic stress, stress pathology, and resilience research, and present didactic information and examples to aid researchers interested in the relevance of ML to their own research. The examined studies exemplify the high potential of ML approaches to build accurate predictive and diagnostic models of posttraumatic stress and stress pathology risk based on diverse sources of available information. The use of ML approaches to integrate high-dimensional data demonstrates substantial gains in risk prediction even when the sources of data are the same as those used in traditional predictive models. This area of research will greatly benefit from collaboration and data sharing among researchers of posttraumatic stress disorder, stress pathology, and resilience.
Spanish Abstracts by Asociación Chilena de Estrés Traumático (ACET) Aprendizaje de Máquinas para la Predicción del Estrés Postraumático y Resiliencia después del Trauma: Una Visión General de los Conceptos Básicos y Avances Recientes APRENDIZAJE DE MAQUINAS Y ESTRÉS POSTRAUMÁTICO Las respuestas al estrés postraumático se caracterizan por una heterogeneidad en el aspecto clínico y etiología. Esta heterogeneidad afecta la capacidad del campo para caracterizar, predecir y remediar respuestas desadaptativas al trauma. Los enfoques de aprendizaje maquinas (AM) son cada vez más utilizados para superar este problema fundamental en la caracterización, predicción y selección de tratamiento a través de las ramas de la medicina que han luchado con realidades clínicas similares de heterogeneidad en la etiología y resultados, como la oncología. En este artículo, revisamos y evaluamos los enfoques y las aplicaciones de AM utilizados en las áreas de estrés postraumático, patología del estrés, e investigación en resiliencia y presenta información didáctica y ejemplos para ayudar a investigadores interesados en la relevancia del AM para su propia investigación. Los estudios examinados ejemplifican el alto potencial de los enfoques de AM para construir modelos predictivos y de diagnóstico precisos de estrés postraumático y riesgo de estrés patológico basados en diversas fuentes de Información disponible. El uso de enfoques de AM para integrar datos multidimensionales demuestran ganancias sustanciales en la predicción del riesgo, incluso cuando las fuentes de datos son las mismas que las utilizadas en los modelos predictivos tradicionales. Esta área de investigación se beneficiará enormemente de la colaboración y el intercambio de datos entre los investigadores del trastorno de estrés postraumático, la patología del estrés y resiliencia.
Traditional and Simplified Chinese Abstracts by the Asian Society for Traumatic Stress Studies (AsianSTSS) 簡體及繁體中文撮要由亞洲創傷心理研究學會翻譯 Machine Learning for Prediction of Posttraumatic Stress and Resilience following Trauma: An Overview of Basic Concepts and Recent Advances Traditional Chinese 標題: 以機器學習法來預測個人受創後的創傷後壓力和恢復力:對基本概念和近期發展的回顧 撮要: 創傷後壓力反應可根據臨床表現和病原學的異質性來找出。這種異質性會影響業界對創傷後適應不良反應的特徵定義、預測和治療。在病原學和治療情況面對相似的臨床異質性的各種醫科, 如腫瘤學, 越來越多人採用機器學習法(ML)來解決特徵定義、預測和治療選擇的根本問題。本研究檢視和評核覆蓋創傷後壓力、壓力病理學和恢復力的研究中ML的方法和應用, 以及為有興趣使用ML的研究員提供教學資訊和例子。檢視的研究都展示了ML有很大機會可基於多元的資訊來源, 就創傷後壓力和壓力病理學風險建立準確的預測和診斷模型。即使數據來源與傳統預測模型所使用的一樣, 以ML來綜合高因次的數據在風險預測方面有顯著功效。研究創傷後壓力症、壓力病理學和恢復力的研究員如果合作並分享數據, 將大大有助這類研究發展。 Simplified Chinese 标题: 以机器学习法来预测个人受创后的创伤后压力和恢复力:对基本概念和近期发展的回顾 撮要: 创伤后压力反应可根据临床表现和病原学的异质性来找出。这种异质性会影响业界对创伤后适应不良反应的特征定义、预测和治疗。在病原学和治疗情况面对相似的临床异质性的各种医科, 如肿瘤学, 越来越多人采用机器学习法(ML)来解决特征定义、预测和治疗选择的根本问题。本研究检视和评核覆盖创伤后压力、压力病理学和恢复力的研究中ML的方法和应用, 以及为有兴趣使用ML的研究员提供教学信息和例子。检视的研究都展示了ML有很大机会可基于多元的信息来源, 就创伤后压力和压力病理学风险建立准确的预测和诊断模型。即使数据来源与传统预测模型所使用的一样, 以ML来综合高因次的数据在风险预测方面有显著功效。研究创伤后压力症、压力病理学和恢复力的研究员如果合作并分享数据, 将大大有助这类研究发展。.
© 2019 International Society for Traumatic Stress Studies.