Mzigo wa allostatic (allostatic load, AL) ni mbinu changamano ya upimaji inayolenga kuwakilisha kwa pamoja hali ya kutokuwa na udhibiti wa kifiziolojia inayohusishwa na michakato ya muda mrefu ya kuzoea na msongo kupitia mifumo mingi ya kibaolojia, badala ya kiungo kimoja au thamani moja ya maabara. Utafiti huu ulichunguza mifumo ya mzigo wa allostatic yenye biomarker 21 kati ya sifa za schizotypal zilizofafanuliwa kisaikometriki (Positive Schizotypy Factor Group, PSF), sifa za cyclothymic (Cyclothymia Factor Group, CF) na kundi la udhibiti (CG) kwa vijana watu wazima 85 wasiokuwa na ugonjwa wa kliniki wa akili, kwa kutumia Random Forest na SHapley Additive exPlanations (SHAP). Lengo kuu la kujifunza kwa mashine halikuwa kutoa utambuzi wa kliniki, bali kupanga kwa mtazamo wa kiuchunguzi ni biomarker zipi zinachangia zaidi katika kutofautisha makundi.

Sampuli iliundwa mwishoni mwa mchakato wa uchunguzi ulioanza na wanafunzi 710 wa chuo kikuu wenye afya wenye umri wa 18–25. Katika uchanganuzi wa mwisho kulikuwa na washiriki 30 wa PSF, 25 wa CF na 30 wa udhibiti. Paneli ya biomarker inajumuisha mifumo ya anthropometric, moyo na mishipa, kimetaboliki ya glukosi, kinga, kimetaboliki ya lipid, neuroendocrine, oxidative na figo. Tofauti muhimu katika kiwango cha mfumo kati ya makundi iliripotiwa kwa mfumo wa oxidative pekee (p=0.014). Katika uchanganuzi wa SHAP, uric acid ilionekana mara kwa mara miongoni mwa vipengele vya juu katika ulinganisho tofauti na ilikuwa kipengele chenye athari kubwa zaidi hasa katika utenganishaji wa PSF–CF.

Paneli ya Top-10 iliyochaguliwa kwa SHAP ili kutenganisha PSF na CF ilitoa usahihi wa %63.6 na AUC ya 0.625 katika uthibitishaji wa leave-one-subject-out. Hata hivyo, muda wa kujiamini wa %95 wa AUC ulikuwa 0.469–0.768 na katika jaribio la permutation 200 za lebo p=0.055 ilipatikana. Aidha, uteuzi wa vipengele na tathmini ya paneli vilifanywa katika cohort hiyo hiyo na hakukuwa na uthibitishaji wa nje ulio huru. Kwa hiyo, matokeo hayapaswi kutafsiriwa kama utambuzi, uchunguzi wa kliniki au utabiri wa hatari binafsi wa schizophrenia au bipolar disorder, bali kama utafiti wa biomarker unaozalisha nadharia kuhusu mifumo ya kifiziolojia inayohusishwa na sifa zisizo za kliniki za utu.

Tatizo kuu la kisayansi la utafiti

Sifa za schizotypal ni sifa za mwelekeo zinazohusishwa na uzoefu usio wa kawaida wa utambuzi, tofauti za utambuzi-kihisia na baadhi ya tofauti katika utendaji baina ya watu. Sifa za cyclothymic huonyesha sifa za temperament zinazohusiana na mabadiliko ya hali ya hisia, nishati na shughuli. Washiriki katika utafiti huu si wagonjwa waliotambuliwa kuwa na schizophrenia au bipolar disorder. Watafiti walichunguza kama sifa za chini ya kiwango cha kliniki zilizobainishwa kwa mizani za kisaikometriki hubadilika sambamba na mifumo inayoweza kupimwa katika mifumo mingi ya kifiziolojia.

Swali la kisayansi si kutafuta “biomarker ya ugonjwa” mmoja. Mantiki ya utafiti ni kuchunguza kama kuzingatia kwa pamoja idadi kubwa ya vigezo vinavyotoka katika mifumo ya moyo na mishipa, kimetaboliki, neuroendocrine, figo, oxidative na kinga kunaweza kutoa wasifu wa kifiziolojia wenye maelezo zaidi kuliko alama moja moja.

Mzigo wa Allostatic ni Nini na Ulihesabiwaje katika Utafiti Huu?

Mzigo wa allostatic ni kipimo kinachojaribu kuwakilisha hali ya kutokuwa na udhibiti wa kifiziolojia katika mifumo mingi kwa kukusanya thamani za biomarker zinazoelekea upande wa hatari katika alama mseto; katika utafiti huu kila moja ya biomarker 21 ilipewa alama 0 au 1 kulingana na ikiwa ilikuwa katika robo ya juu au ya chini ya upande wa hatari, na alama zilikusanywa ili kuunda fahirisi ya jumla ya AL katika kiwango cha 0–21.

Ingawa haikuchapishwa kama mlinganyo katika chanzo, mantiki ya kihesabu ya mbinu inaweza kuonyeshwa kama ifuatavyo:

\[ AL=\sum_{j=1}^{21} I_j \]

Hapa \(I_j\), ni kiashiria cha hatari cha binary kwa biomarker ya j. Kulingana na mbinu ya chanzo, ikiwa biomarker husika inahusishwa na hatari ya afya katika thamani za juu, robo ya juu hutumika kama upande wa hatari; ikiwa inahusishwa na thamani za chini, robo ya chini hutumika kama upande wa hatari. Biomarker iliyo katika robo ya hatari hupata 1, vinginevyo 0. Kwa hiyo, alama ya juu ya jumla ya AL hufasiriwa kama kutokuwa na udhibiti mkubwa zaidi wa kifiziolojia katika mifumo mingi.

Biomarker 21 zinawakilisha mifumo gani ya kifiziolojia?

Alama katika paneli hii hazikuchaguliwa kama vipimo vya utambuzi mahususi vya schizophrenia au bipolar disorder. Lengo la chanzo ni kutathmini kwa pamoja mifumo ya kifiziolojia inayowakilishwa kwa kawaida katika fasihi ya mzigo wa allostatic.

Washiriki walichaguliwaje?

Kundi la awali lilijumuisha wanafunzi wenye umri wa 18–25 waliokuwa wakisoma katika University of Szeged. Mfumo mkuu ulikuwa kwamba washiriki hawakuwa na ugonjwa wa akili uliotambuliwa katika miaka yao miwili ya kwanza ya chuo kikuu. Ugonjwa wa sasa au wa zamani wa akili, matumizi mabaya ya dawa za kulevya, hali za neva, jeraha la kichwa lililosababisha kupoteza fahamu na hali za kitabibu zinazoweza kuathiri utendaji wa neurocognitive zilijumuishwa katika vigezo vya kuondolewa.

Makundi ya kisaikometriki yaliundwaje?

Katika tathmini ya sifa za schizotypal, Oxford-Liverpool Inventory of Feelings and Experiences (O-LIFE) ya Kihungaria iliyofupishwa yenye vipengele 43 ilitumika; kwa mwelekeo wa fikra za delusion, Peters Delusions Inventory (PDI); kwa temperament ya kihisia, TEMPS-A; na kwa uchunguzi wa wigo wa bipolar, Mood Disorder Questionnaire. Mahojiano ya DSM yaliyopangwa yalitumika kutathmini matatizo ya sasa na ya maisha yote ya akili.

Chanzo kinafafanua kundi la PSF kwa O-LIFE ≥5, PDI-21 >10 na TEMPS-A Cyclothymia <12. Kwa kundi la CF, vigezo O-LIFE <6 na TEMPS-A Cyclothymia =11 viliripotiwa. Hakuna mkengeuko wa psychopathology ulioripotiwa katika kundi la udhibiti. Vizingiti hivi vinaunda makundi ya trait katika utafiti huu; havimaanishi utambuzi wa ugonjwa wa kliniki.

Random Forest na SHAP Zilitumika kwa Nini katika Utafiti Huu?

Random Forest na SHAP zilitumika katika utafiti huu zaidi kupanga kwa mtazamo wa kiuchunguzi mchango wa jamaa wa biomarker 21 katika kutofautisha PSF, CF na kundi la udhibiti kuliko kutoa utambuzi wa kliniki; Random Forest hujifunza mipaka isiyo ya mstari ya madarasa, wakati SHAP hubadilisha mchango wa kila biomarker katika matokeo ya modeli kuwa kipimo cha feature-importance kinachoweza kufasiriwa.

Modeli tatu za binary za Random Forest

Badala ya modeli moja ya madarasa matatu, watafiti waliunda ulinganisho mitatu tofauti ya binary:

1. Kutofautisha kundi la udhibiti na kundi la CF.
2. Kutofautisha kundi la udhibiti na kundi la PSF.
3. Kutofautisha kundi la PSF na kundi la CF.

Lengo la mbinu hii ni kurahisisha tafsiri ya biomarker zipi zinaonekana zaidi katika kila mpaka wa darasa. Random Forest iliunda idadi kubwa ya miti ya maamuzi kutoka sampuli za bootstrap, ikatathmini seti ndogo ya nasibu ya vipengele katika kila mgawanyiko, na kutoa uamuzi wa mwisho kwa kura ya wengi.

Uchakataji wa awali wa modeli na mbinu ya hyperparameter

Chanzo kinasema kuwa uchunguzi ulikuwa kamili na hakukuwa na haja ya uchakataji wa ziada wa awali wa data. Muundo wa covariance kati ya biomarker 21 ulichunguzwa kabla ya mafunzo ya modeli na iliripotiwa kuwa hakukuwa na korelesheni yenye nguvu katika kiwango cha r>0.8. Kwa kuwa ukubwa wa makundi ulikuwa kati ya 25–30, oversampling, undersampling au uzani wa darasa haukutumika.

Hyperparameter za default za Random Forest zilitumika. Tuning haikufanywa ili kupunguza uwezekano wa uteuzi wa hyperparameter kwenye data hiyo hiyo kufanya matokeo ya feature-importance yaonekane bora kupita kiasi katika sampuli ndogo. Kulingana na chanzo, kwa kuwa kulikuwa na vipengele 21, takribani vipengele 4–5 vilitathminiwa kama wagombea katika kila mgawanyiko wa mti wa maamuzi.

Uthibitishaji wa LOSO una kazi gani?

Leave-one-subject-out (LOSO) cross-validation ni mbinu ya uthibitishaji inayotenga mshiriki mmoja kwa ajili ya majaribio katika kila hatua, kufundisha modeli kwa washiriki wengine wote, na kurudia mchakato kwa washiriki wote. Katika seti ndogo za data, huweka idadi kubwa iwezekanavyo ya washiriki kwa mafunzo huku ikitenganisha uchunguzi wa majaribio na mafunzo.

Kwa matokeo ya paneli iliyopunguzwa, mchakato wa LOSO ulirudiwa kwa mafunzo mapya 400 ya Random Forest kwa kila mshiriki. Muda wa kujiamini wa utendaji uliripotiwa kwa sampuli upya za stratified bootstrap 2000.

Thamani za SHAP zinapaswa kufasiriwaje?

Thamani ya SHAP inaeleza biomarker inasukuma matokeo fulani ya modeli katika mwelekeo gani na kwa kiwango gani. Thamani kubwa ya SHAP kwa thamani kamili inaonyesha kwamba kipengele hicho kina athari kubwa zaidi katika uamuzi wa darasa wa modeli. Hata hivyo, thamani ya juu ya SHAP haionyeshi kwamba biomarker husababisha ugonjwa, kwamba ni utaratibu muhimu zaidi wa kibaolojia au kwamba inatosha peke yake kwa utambuzi wa kliniki.

Alama ya SHAP pia haimaanishi “nzuri” au “mbaya” kibaolojia. Alama inawakilisha mchango katika mwelekeo wa darasa fulani kulingana na darasa gani limekodishwa kama lengo katika modeli.

Tofauti ya kuripoti ndani ya chanzo katika mbinu ya SHAP

Maelezo moja katika sehemu ya mbinu ya chanzo yanasema kuwa uchanganuzi mkuu wa SHAP ulikusanywa katika majaribio yote ya LOSO na washiriki wote, na kwamba uchanganuzi uliotumia tu kesi zilizotambuliwa kwa usahihi ulikuwa jaribio la sensitivity. Aya inayofuata mara moja, hata hivyo, inaandika kwamba watu waliotabiriwa kwa uthabiti walihifadhiwa katika hesabu ya feature-importance na utabiri ulioshindwa uliondolewa. Kwa kuwa sehemu ya mapungufu inasema tena kuwa washiriki wote walijumuishwa katika uchanganuzi mkuu, Verianla inadumisha mbinu hii kama mbinu kuu na kutaja aya nyingine kama kutokubaliana kwa kimetodolojia ndani ya chanzo.

Je, Modeli Hii Inatambua Schizophrenia au Bipolar Disorder?

Hapana. Madarasa ya PSF na CF katika utafiti si utambuzi wa kliniki wa schizophrenia au bipolar disorder, bali ni makundi ya sifa za schizotypal na cyclothymic yaliyoundwa kwa mizani za kisaikometriki katika vijana watu wazima wasio na ugonjwa wa akili; usahihi wa modeli ni utendaji wa kutenganisha makundi haya ya trait ndani ya cohort hiyo hiyo na hauwezi kutumika kama usahihi wa utambuzi wa kliniki.

Chanzo kimetumia kwa kifupi maneno “schizophrenia” na “bipolar disorder” katika baadhi ya vichwa na maelezo ya Figure 4–6. Hata hivyo, muundo wa utafiti na sehemu ya mbinu hufafanua makundi waziwazi kama makundi ya trait ya PSF na CF. Kwa hiyo, badala ya lebo ya ugonjwa wa kliniki, Verianla hutumia kiwango halisi cha ontolojia cha utafiti, yaani sifa za schizotypal na cyclothymic.

Mbinu na Matokeo ya Utafiti

Tofauti za mzigo wa allostatic katika kiwango cha mfumo

Katika kiwango cha mfumo, mfumo wa oxidative pekee ulitofautiana kwa p=0.014. Matokeo haya peke yake hayaonyeshi ni kiashiria gani cha oxidative kina jukumu la kisababishi; ukweli kwamba uric acid mara nyingi ilionekana katika nafasi za juu katika uchanganuzi wa SHAP uliofuata unaweza kuonekana kama muunganiko ambapo matokeo ya mfumo wa oxidative na matokeo ya feature-importance yanayotegemea modeli yanaelekeza katika eneo moja la kibaolojia.

Figure 3: mwelekeo wa korelesheni za biomarker

Figure 3 ya chanzo ni ramani ya joto ya korelesheni za Spearman kati ya biomarker 21 na uanachama wa makundi ya PSF na CF. Kwa PSF, shinikizo la damu la diastoli na uric acid zilionyesha mahusiano chanya yenye nguvu zaidi, huku glukosi na eGFR zikionyesha mahusiano hasi yenye nguvu zaidi. Katika kundi la CF, sehemu muhimu ya muundo ilikuwa katika mwelekeo wa kinyume: glukosi na eGFR zilihusiana zaidi chanya, huku shinikizo la diastoli na uric acid zikihusiana zaidi hasi.

Cortisol pia ilitoa mfano wa uhusiano wa mwelekeo kinyume kati ya makundi mawili ya trait: hasi na CF, chanya na PSF; LDL ilionyesha muundo wa mwelekeo kinyume na huo. Korelesheni hizi hazithibitishi kwamba biomarker husababisha kuundwa kwa trait; zinaonyesha tu muundo wa kubadilika kwa pamoja ndani ya sampuli hiyo hiyo.

Ni biomarker zipi zilijitokeza katika uchanganuzi wa SHAP?

Kwa nini uric acid ni matokeo ya msingi?

Uric acid ilijitokeza mara kwa mara katika uchanganuzi wa korelesheni na katika ulinganisho kadhaa wa SHAP. Waandishi wa chanzo wanajadili muundo huu kama sehemu inayowezekana ya kibaolojia ya pamoja inayohusishwa na oxidative stress na michakato ya purinergic. Hata hivyo, utafiti wa sasa hauonyeshi kwamba uric acid husababisha sifa za schizotypal au cyclothymic, kwamba inaweza kufafanua kundi la trait peke yake, au kwamba ni biomarker ya ugonjwa wa kliniki.

Matokeo ya uainishaji wa Random Forest

Modeli za biomarker 21 zilizotenganisha kundi la udhibiti na CF au PSF hazikuonyesha utendaji wenye nguvu wa uainishaji. Lengo la utafiti pia si kusambaza modeli hizi kama classifier za kliniki. Matokeo ya kuvutia zaidi ni paneli iliyopunguzwa ya Top-10 katika utenganishaji wa PSF–CF; hata hivyo, hata hapa AUC ni 0.625 na muda wa kujiamini unajumuisha kiwango cha 0.5.

Je, Paneli ya Top-10 Biomarker Imethibitishwa kwa Matumizi ya Kliniki?

Hapana. Paneli ya Top-10 ilichaguliwa na kutathminiwa katika cohort hiyo hiyo, sampuli huru ya uthibitishaji haikutumika na jaribio la permutation ya lebo lilitoa p=0.055 ya upande mmoja; kwa hiyo usahihi wa %63.6 unapaswa kufasiriwa si kama utendaji wa uchunguzi au utambuzi wa kliniki, bali kama matokeo ya kiuchunguzi ya ndani ya sampuli yanayopaswa kupimwa katika cohort huru.

Jaribio la permutation ya lebo

Usahihi wa %63.6 uliozingatiwa uko juu ya wastani wa mgawanyo wa null; hata hivyo, p=0.055 iko juu kidogo ya kizingiti cha kawaida cha 0.05. Chanzo kinafasiri hili kama matokeo “ya mpakani” na ya kiuchunguzi. Kwa hiyo, haiwezi kuhitimishwa kuwa paneli ni classifier ya kliniki inayojitegemea dhidi ya kelele na inayoweza kujumlishwa.

Tofauti za makundi katika fahirisi kamili ya AL ya biomarker 21

Jaribio la Kruskal–Wallis omnibus liliripotiwa kama \(H=8.793\), exact p=0.012. Baada ya marekebisho ya Bonferroni, tofauti ya CG–PSF haikuwa muhimu (p_Bonf=1.000; Hedges' g=−0.15; Cliff's δ=−0.10). Tofauti ya CG–CF pia haikuwa muhimu (p_Bonf=0.144; Hedges' g=0.63; Cliff's δ=0.31). Ulinganisho wa PSF–CF, hata hivyo, uliendelea kuwa muhimu kwa p_Bonf=0.007, Hedges' g=0.89 na Cliff's δ=0.47.

Tofauti ya p=0.007 kati ya muhtasari na sehemu ya matokeo

Sehemu ya muhtasari ya chanzo inahusisha thamani ya p=0.007 na tofauti kati ya CF na kundi la udhibiti katika fahirisi ya AL iliyopunguzwa. Kinyume chake, sehemu kuu ya matokeo inaripoti thamani hiyo hiyo ya p=0.007 kwa ulinganisho wa PSF–CF katika fahirisi kamili ya AL ya biomarker 21, huku ikitoa ulinganisho wa CG–CF kama p_Bonf=0.144. Kwa kuwa tofauti hii haijaelezwa na chanzo, Verianla haijabadilisha kimya kimya thamani moja kwa nyingine.

Jukumu la Figure 7

Figure 7 ya chanzo inalinganisha kwa kuona fahirisi za AL zilizohesabiwa upya kutoka biomarker za Top-6 na Top-10 zilizochaguliwa kwa SHAP katika makundi ya CF, PSF na udhibiti. Jukumu la kisayansi la kielelezo ni kuonyesha kama paneli ndogo zaidi zilizolengwa zinaweza kuhifadhi utenganishaji wa jamaa kati ya makundi badala ya AL kamili yenye alama 21. Hata hivyo, kwa kuwa paneli zilizopunguzwa zilitokana na sampuli hiyo hiyo, grafu si uthibitishaji wa nje.

Uchanganuzi wa sensitivity wa viwango vya SHAP

Chanzo kinaripoti ulinganifu wa juu wa Spearman kati ya mpangilio wa feature-importance uliopatikana kwa washiriki wote na mipangilio iliyoundwa kutoka kwa seti ndogo za waliotambuliwa kwa usahihi pekee. Kulingana na ulinganisho, thamani za ρ ziko katika kiwango cha 0.935–0.982, 0.952 kwa modeli iliyopunguzwa ya Top-10 na 1.000 kwa Top-6. Aidha, kipengele cha nafasi ya kwanza hakikubadilika katika mabomba yote ya ulinganisho. Matokeo haya yanaunga mkono kwamba mpangilio wa feature-rank ni thabiti kwa kiasi dhidi ya seti ndogo iliyotumika; lakini hayathibitishi kurudiwa kwake katika idadi huru ya watu.

Hitimisho zinazoungwa mkono na utafiti

• Wasifu wa kifiziolojia wenye biomarker 21 katika makundi ya PSF, CF na udhibiti si sawa.
• Katika uchanganuzi wa kiwango cha mfumo, mfumo wa oxidative ulionyesha tofauti kati ya makundi kwa p=0.014.
• Uric acid ilionyesha umuhimu wa juu mara kwa mara katika uchanganuzi tofauti wa korelesheni na SHAP.
• Katika ulinganisho wa CF na udhibiti, creatinine ilijitokeza; sifa za moyo na mishipa, oxidative na lipid/metabolic pia zilikuwa katika nafasi za juu katika mchango wa modeli.
• Katika ulinganisho wa PSF na udhibiti, mapigo ya moyo yalikuwa kipengele chenye athari kubwa zaidi; TSH, glukosi na uric acid pia zilionyesha umuhimu wa juu.
• Katika ulinganisho wa PSF–CF, uric acid ilikuwa kipengele muhimu zaidi; cortisol, glukosi, creatinine na triglyceride ziliripotiwa miongoni mwa vipengele vingine vyenye nguvu vya kutenganisha.
• Paneli ya Top-10 SHAP ilitoa makadirio ya pointi ya accuracy ya juu kuliko modeli kamili ya biomarker 21 katika utenganishaji wa PSF–CF.
• Katika fahirisi kamili ya AL, tofauti ya kundi iliyo wazi zaidi baada ya Bonferroni iko kati ya PSF–CF.

Hitimisho zisizoungwa mkono na utafiti

• Uric acid haijathibitishwa kama biomarker maalumu ya utambuzi kwa schizophrenia au bipolar disorder.
• Washiriki katika makundi ya PSF au CF si wagonjwa wa schizophrenia au bipolar disorder.
• Haijaonyeshwa kuwa modeli za Random Forest zinaweza kutumika kwa utambuzi wa kliniki au uchunguzi.
• %63.6 accuracy si utendaji wa uthibitishaji huru wa nje.
• SHAP feature importance haithibitishi sababu ya kibaolojia.
• Haijaonyeshwa ni utaratibu gani wa molekuli unaozalisha tofauti za AL.
• Haijaonyeshwa kuwa mifumo ya biomarker katika makundi ya trait hutabiri kubadilika baadaye kuwa ugonjwa wa akili.
• Haijaonyeshwa kwamba matokeo yanaweza kujumlishwa moja kwa moja kwa makundi tofauti ya umri, wagonjwa wa kliniki au idadi ya jumla ya watu katika nchi nyingine.

Mapungufu makuu

Sampuli ndogo: Makundi yana washiriki 25–30. Ukubwa huu huongeza hatari ya overfitting hasa katika modeli changamano za kujifunza kwa mashine na kupanua kutokuwa na uhakika wa makadirio ya utendaji.

Ukosefu wa uthibitishaji huru: Utafiti hauna external validation cohort iliyo huru kabisa. Ingawa uthibitishaji wa ndani wa LOSO huhifadhi utenganishaji wa subject-level, haupimi uwezo wa kujumlisha kwa idadi nyingine ya watu.

Uteuzi wa vipengele na tathmini katika cohort hiyo hiyo: Paneli za biomarker za Top-6 na Top-10 zilitokana na sampuli ambayo feature discovery ilifanyika na zikapimwa tena katika sampuli hiyo hiyo. Kwa hiyo, chanzo kinachukulia paneli iliyopunguzwa zaidi kama mgombea wa kuzalisha nadharia kuliko modeli ya kliniki.

Vigezo vya kifiziolojia visivyodhibitiwa: Awamu ya mzunguko wa hedhi, matumizi ya vidonge vya uzazi wa mpango, shughuli za mwili za hivi karibuni, caffeine, pombe, uvutaji sigara, hali ya kufunga na muda wa kuchukua damu havikutathminiwa kwa utaratibu. Vigezo hivi vinaweza kuathiri biomarker za kimetaboliki, homoni na uvimbe.

Mbinu ya modeli ya binary: Badala ya kutathmini madarasa matatu katika modeli moja, modeli tofauti za binary za Random Forest zilitumika. Mbinu hii iliongeza urahisi wa tafsiri; lakini katika cohort kubwa zaidi, uchanganuzi wa multi-class unapaswa kupimwa tofauti.

Utegemezi wa data za Supplementary: Makala inarejelea Supplementary Tables S2–S4 kwa thamani za kina za mwelekeo na ukubwa wa SHAP. Kwa kuwa PDF ya chanzo iliyopakiwa haijumuishi maudhui kamili ya nambari ya majedwali haya ya ziada, Verianla haijakadiria thamani za SHAP zisizoonekana.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: Machine Learning-Assisted Identification of Biomarkers Associated with Schizotypal and Cyclothymic Traits

Waandishi: Sabine Finlay; Gideon Vos; Imre Földesi; Diána Kata; Oyelola Adegboye; Donna Rudd; Brett McDermott; István Szendi; Mostafa Rahimi Azghadi; Zoltan Sarnyai.

Mwandishi anayewajibika: Zoltan Sarnyai.

Taasisi: Laboratory of Psychiatric Neuroscience, Australian Institute of Tropical Health and Medicine, James Cook University; College of Medicine and Dentistry, James Cook University; Margaret Roderick Centre for Mental Health Research, James Cook University; College of Science and Engineering, James Cook University; Institute of Laboratory Medicine, University of Szeged; Menzies School of Health Research, Charles Darwin University; Child and Adolescent Mental Health Service, Hobart; Tasmanian Centre for Mental Health Service Innovation; Department of Psychiatry, Kiskunhalas Semmelweis University Teaching Hospital; Department of Clinical and Health Psychology, Institute of Psychology, University of Szeged; Centre of Excellence for Interdisciplinary Research, Development and Innovation, University of Szeged.

Jarida: Psychiatry International.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Psychiatry International, 2026, 7(4), 159.

DOI: 10.3390/psychiatryint7040159

Historia ya uchapishaji: Ilipokelewa 17 Aprili 2026; marekebisho 23 Juni 2026; ilikubaliwa 10 Julai 2026; ilichapishwa 15 Julai 2026.

Aina ya chanzo: Utafiti wa uchunguzi na kiuchunguzi wa kujifunza kwa mashine/biomarker unaochanganya makundi ya trait ya kisaikometriki na biomarker nyingi za kifiziolojia katika idadi ya vijana watu wazima wasio wa kliniki.

Hali ya uhakiki: Version of record iliyochapishwa na kupitia uhakiki wa wenzao.

Sampuli: Wanafunzi 85 wa chuo kikuu wenye umri wa 18–25; PSF n=30, CF n=25, udhibiti n=30.

Zana kuu za kisaikometriki: TEMPS-A, O-LIFE ya Kihungaria iliyofupishwa, Peters Delusions Inventory, Mood Disorder Questionnaire na mahojiano ya DSM yaliyopangwa.

Paneli ya biomarker: Vipimo 21 vya anthropometric, moyo na mishipa, kimetaboliki, kinga, neuroendocrine, oxidative na figo vinavyofunika mifumo minane ya kibaolojia.

Mbinu ya mzigo wa allostatic: Kutoa alama 0/1 kwa kila kiashiria kulingana na robo ya juu au ya chini katika upande wa hatari na kuunda alama ya jumla katika kiwango cha 0–21 kwenye paneli kamili.

Kujifunza kwa mashine: Random Forest; ulinganisho mitatu ya binary; default hyperparameter; hakuna class weighting, oversampling au undersampling; leave-one-subject-out cross-validation.

Akili bandia inayoweza kuelezwa: Mpangilio wa biomarker feature-importance kwa SHapley Additive exPlanations (SHAP).

Modeli zilizopunguzwa: Paneli za Top-6 na Top-10 kutoka biomarker sita na kumi zilizoorodheshwa juu zaidi.

Uchanganuzi wa robustness: Mafunzo mapya 400 ya LOSO Random Forest kwa kila mshiriki; label permutation 200 kwa paneli ya Top-10; sampuli upya za stratified bootstrap 2000 kwa muda wa kujiamini wa utendaji wa subject-level.

Takwimu: Korelesheni ya Spearman, Shapiro–Wilk, Kruskal–Wallis, Mann–Whitney U, marekebisho ya Bonferroni kwa ulinganisho mitatu ya binary, Hedges' g na Cliff's δ.

Mazingira ya uchanganuzi: R 4.6.1.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Msaada wa European Union project na Hungary Ministry of Innovation and Technology NRDI Office chini ya Artificial Intelligence National Laboratory Program, RRF-2fi.3.1-21-2022-00004; TKP2021-NVA-09 chini ya National Research, Development and Innovation Fund; GINOP-2.3.2-15-2016-00037 “Internet of Living Things” chini ya Hungarian Government na European Regional Development Fund.

Maadili: University of Szeged, Szent-Györgyi Albert Clinical Centre, Regional Scientific and Research Ethics Committee for Human Biomedical Sciences; protokoli 267/2018-SZTE; idhini 26 Februari 2019. Utafiti ulifanywa kwa mujibu wa Azimio la Helsinki.

Ridhaa iliyoarifiwa: Ilipatikana kutoka kwa washiriki wote.

Upatikanaji wa data: Data hazipo hadharani kwa sababu za maadili na faragha; imeripotiwa kuwa zinaweza kuombwa kutoka kwa mwandishi anayewajibika kwa ombi la msingi.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi: Sabine Finlay; rasimu ya kwanza, mapitio/uhariri, uundaji wa dhana, uchanganuzi rasmi, mbinu na uwasilishaji wa kuona. Gideon Vos; mapitio/uhariri, uchanganuzi rasmi na uwasilishaji wa kuona. Imre Földesi na Diána Kata; mapitio/uhariri, utafiti na usimamizi wa data. Oyelola Adegboye, Donna Rudd, Brett McDermott na Mostafa Rahimi Azghadi; mapitio/uhariri. István Szendi; mapitio/uhariri, utafiti, usimamizi wa data na upatikanaji wa ufadhili. Zoltan Sarnyai; rasimu ya kwanza, mapitio/uhariri, mbinu, usimamizi na uundaji wa dhana.

Dokezo la kuripoti ndani ya chanzo 1: Muhtasari unahusisha p=0.007 na tofauti ya CF–udhibiti katika fahirisi ya AL iliyopunguzwa, huku katika sehemu kuu ya matokeo p_Bonf=0.007 ikihusiana na ulinganisho wa PSF–CF katika fahirisi kamili ya biomarker 21. Chanzo hakielezi tofauti hii.

Dokezo la kuripoti ndani ya chanzo 2: Aya moja ya mbinu ya SHAP inaeleza uchanganuzi unaojumuisha washiriki wote kama wa msingi na kundi dogo lililoainishwa kwa usahihi kama uchanganuzi wa sensitivity, huku aya nyingine ikisema kwamba washiriki waliotabiriwa kwa uthabiti/usahihi walichaguliwa katika hesabu ya feature-importance. Sehemu ya mapungufu inarudia uchanganuzi wa washiriki wote kama mbinu ya msingi.

Dokezo la istilahi ndani ya chanzo: Katika baadhi ya maelezo ya vielelezo, lebo “schizophrenia” na “bipolar disorder” zimetumika kwa PSF na CF. Hata hivyo, maelezo ya mbinu na sampuli ya utafiti yanaonyesha wazi kwamba makundi haya si utambuzi wa kliniki, bali ni makundi ya trait zisizo za kliniki za schizotypal na cyclothymic. Verianla haikutumia lebo hizi fupi katika simulizi kuu kwa sababu zinaweza kutoa taswira ya utambuzi wa kliniki.

Kikomo kikuu cha tafsiri: Matokeo yanaonyesha mahusiano ya kiuchunguzi ya biomarker fulani na makundi ya sifa zisizo za kliniki za schizotypal na cyclothymic pamoja na umuhimu wao wa jamaa ndani ya modeli. Hayathibitishi utambuzi wa schizophrenia au bipolar disorder, maendeleo ya ugonjwa baadaye, utaratibu wa kibaolojia wa kisababishi au paneli ya biomarker iliyo tayari kwa matumizi ya kliniki.