Anxiety onset in adolescents: a machine-learning prediction - Archive ouverte HAL
Article Dans Une Revue Molecular Psychiatry Année : 2022

Anxiety onset in adolescents: a machine-learning prediction

Alice Chavanne
  • Fonction : Auteur
CB - Centre Borelli - UMR 9010
Trajectoires développementales en psychiatrie : mesures et modélisations
Marie Laure Paillère Martinot
CB - Centre Borelli - UMR 9010
Trajectoires développementales en psychiatrie : mesures et modélisations
Jani Penttilä
  • Fonction : Auteur
Yvonne Grimmer
  • Fonction : Auteur
Patricia Conrod
  • Fonction : Auteur
Argyris Stringaris
  • Fonction : Auteur
Betteke van Noort
Corinna Isensee
  • Fonction : Auteur
Andreas Becker
  • Fonction : Auteur
Tobias Banaschewski
Arun Bokde
Sylvane Desrivières
Herta Flor
  • Fonction : Auteur
Antoine Grigis
  • Fonction : Auteur
Service NEUROSPIN
Hugh Garavan
  • Fonction : Auteur
Penny Gowland
Andreas Heinz
Rüdiger Brühl
Frauke Nees
Dimitri Papadopoulos Orfanos
Service NEUROSPIN
CV
Tomáš Paus
Luise Poustka
  • Fonction : Auteur
Sarah Hohmann
  • Fonction : Auteur
Sabina Millenet
  • Fonction : Auteur
Juliane Fröhner
Michael Smolka
Henrik Walter
Robert Whelan
Gunter Schumann
Jean-Luc Martinot
CB - Centre Borelli - UMR 9010
Trajectoires développementales en psychiatrie : mesures et modélisations
Eric Artiges
CB - Centre Borelli - UMR 9010
Trajectoires développementales en psychiatrie : mesures et modélisations
Semiha Aydin
  • Fonction : Auteur
Christine Bach
  • Fonction : Auteur
Alexis Barbot
  • Fonction : Auteur
Gareth Barker
  • Fonction : Auteur
Nadège Bordas
  • Fonction : Auteur
Zuleima Bricaud
  • Fonction : Auteur
Uli Bromberg
  • Fonction : Auteur
Ruediger Bruehl
  • Fonction : Auteur
Christian Büchel
  • Fonction : Auteur
Anna Cattrell
  • Fonction : Auteur
Tahmine Fadai
  • Fonction : Auteur
Irina Filippi
  • Fonction : Auteur
Vincent Frouin
  • Fonction : Auteur
André Galinowski
  • Fonction : Auteur
Jürgen Gallinat
  • Fonction : Auteur
Fanny Gollier Briand
  • Fonction : Auteur
Chantal Gourlan
  • Fonction : Auteur
CB - Centre Borelli - UMR 9010
Trajectoires développementales en psychiatrie : mesures et modélisations
Stella Guldner
  • Fonction : Auteur
Bernd Ittermann
  • Fonction : Auteur
Tianye Jia
  • Fonction : Auteur
Hervé Lemaitre
  • Fonction : Auteur
Jessica Massicotte
  • Fonction : Auteur
Ruben Miranda
  • Fonction : Auteur
Kathrin Müller
  • Fonction : Auteur
Charlotte Nymberg
  • Fonction : Auteur
Zdenka Pausova
  • Fonction : Auteur
Jean-Baptiste Poline
  • Fonction : Auteur
Jan Reuter
  • Fonction : Auteur
John Rogers
  • Fonction : Auteur
Barbara Ruggeri
  • Fonction : Auteur
Anna Sarvasmaa
  • Fonction : Auteur
Christine Schmäl
  • Fonction : Auteur
Maren Struve
  • Fonction : Auteur
Wolfgang Sommer
  • Fonction : Auteur
Hélène Vulser
  • Fonction : Auteur

Résumé

Abstract Recent longitudinal studies in youth have reported MRI correlates of prospective anxiety symptoms during adolescence, a vulnerable period for the onset of anxiety disorders. However, their predictive value has not been established. Individual prediction through machine-learning algorithms might help bridge the gap to clinical relevance. A voting classifier with Random Forest, Support Vector Machine and Logistic Regression algorithms was used to evaluate the predictive pertinence of gray matter volumes of interest and psychometric scores in the detection of prospective clinical anxiety. Participants with clinical anxiety at age 18–23 ( N = 156) were investigated at age 14 along with healthy controls ( N = 424). Shapley values were extracted for in-depth interpretation of feature importance. Prospective prediction of pooled anxiety disorders relied mostly on psychometric features and achieved moderate performance (area under the receiver operating curve = 0.68), while generalized anxiety disorder (GAD) prediction achieved similar performance. MRI regional volumes did not improve the prediction performance of prospective pooled anxiety disorders with respect to psychometric features alone, but they improved the prediction performance of GAD, with the caudate and pallidum volumes being among the most contributing features. To conclude, in non-anxious 14 year old adolescents, future clinical anxiety onset 4–8 years later could be individually predicted. Psychometric features such as neuroticism, hopelessness and emotional symptoms were the main contributors to pooled anxiety disorders prediction. Neuroanatomical data, such as caudate and pallidum volume, proved valuable for GAD and should be included in prospective clinical anxiety prediction in adolescents.

Domaines

Sciences du Vivant [q-bio]

Chantal GOURLAN  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-04471297

Soumis le : mercredi 21 février 2024-15:39:40

Dernière modification le : mercredi 30 octobre 2024-18:17:56

Consulter le texte intégral

Dates et versions

hal-04471297 , version 1 (21-02-2024)

Identifiants

Citer

Alice Chavanne, Marie Laure Paillère Martinot, Jani Penttilä, Yvonne Grimmer, Patricia Conrod, et al.. Anxiety onset in adolescents: a machine-learning prediction. Molecular Psychiatry, 2022, 28 (2), pp.639-646. ⟨10.1038/s41380-022-01840-z⟩. ⟨hal-04471297⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

CEA SSA CNRS ENS-CACHAN INSMI CEA-UPSAY UNIV-PARIS-SACLAY JOLIOT CEA-DRF NEUROSPIN UP-SCIENCES ANR ENS-PARIS-SACLAY CB_UMR9010 GS-MATHEMATIQUES GS-LIFE-SCIENCES-HEALTH
15 Consultations
0 Téléchargements

Altmetric

Partager

More