Modello di allarme precoce basato su machine learning per il rischio di salute mentale negli adolescenti utilizzando il fattore p

Questo studio rappresenta un avanzamento significativo nell'identificazione precoce dei rischi di salute mentale negli adolescenti attraverso l'implementazione di algoritmi di machine learning sofisticati. La metodologia è particolarmente rilevante perché abbandona l'approccio tradizionale focalizzato su singoli disturbi per adottare il concetto transdiagnostico del fattore p, che cattura la varianza condivisa tra molteplici forme di psicopatologia. Questo approccio è teoricamente fondato e clinicamente significativo, poiché molti adolescenti presentano sintomi che si sovrappongono tra categorie diagnostiche diverse. Lo studio ha coinvolto un campione robusto di oltre 5.000 adolescenti nella fase di addestramento e ha implementato una validazione esterna rigorosa su quasi 1.000 partecipanti aggiuntivi, garantendo la generalizzabilità dei risultati. La costruzione del framework di 59 indicatori guidato dalla teoria dei sistemi ecologici è particolarmente innovativa, poiché riconosce che i fattori di rischio per la salute mentale non operano isolatamente ma all'interno di contesti multipli e interconnessi. La selezione di XGBoost come algoritmo ottimale ha prodotto prestazioni eccellenti, specialmente nella validazione esterna (F1 = 0,80), suggerendo una generalizz azione robusta. L'utilizzo dei valori SHAP per interpretare l'importanza dei predittori aggiunge un livello di trasparenza cruciale per l'implementazione clinica. L'identificazione della qualità del sonno come il predittore più influente si allinea con la letteratura emergente che sottolinea il ruolo fondamentale del sonno nella regolazione emotiva e cognitiva durante l'adolescenza. Questa scoperta ha implicazioni dirette per gli interventi di prevenzione primaria.