AI Summary & Key Takeaways
AI InsightHowever, external validation in independent samples is still needed to confirm these findings.
📌 3 Key Takeaways
Abstract
Generalized Anxiety Disorder (GAD) and Separation Anxiety Disorder (SAD) are common in preschool children but are often not recognized in routine care. The Preschool Age Psychiatric Assessment (PAPA) provides detailed diagnostic information, yet its use in everyday clinical practice is limited because it is time-consuming and requires trained interviewers. In this study, we developed explainable machine learning models to classify GAD and SAD using the publicly available Preschool Anxiety Study cohort (n = 917; ages 2–5; 76 raw PAPA items). We trained Logistic Regression, Random Forest, XGBoost, and LightGBM models with SMOTE-Tomek resampling applied only to the training data and performed Optuna TPE-based hyperparameter optimization for XGBoost and LightGBM. Model calibration was evaluated using the Brier score, Expected Calibration Error, and the Hosmer–Lemeshow test, while SHAP TreeExplainer was used to interpret model decisions at both global and individual levels. LightGBM achieved the highest cross-validation AUC values (GAD: 0.9928; SAD: 0.9897), and XGBoost showed strong and well-balanced performance on the independent test set (GAD AUC = 0.9865, MCC = 0.9055; SAD AUC = 0.9948, MCC = 0.9057). LightGBM was the only well-calibrated model for GAD, whereas both gradient boosting models showed very good calibration for SAD. A reduced 10-item model provided a practical screening prototype for GAD in primary care by offering higher sensitivity with an AUC very close to the full model. However, external validation in independent samples is still needed to confirm these findings.
Özet
Genelleştirilmiş Anksiyete Bozukluğu (GAD) ve Ayrılma Anksiyetesi Bozukluğu (SAD), okul öncesi dönemde sık görülen ancak çoğu zaman tanınmayan bozukluklardır. Okul Öncesi Dönem Psikiyatrik Değerlendirmesi (PAPA) ayrıntılı tanısal bilgi sağlar fakat süresinin uzunluğu ve uzman gereksinimi nedeniyle rutin klinik uygulamada sınırlı kullanılmaktadır. Bu çalışmada, herkese açık Preschool Anxiety Study kohortunu (n = 917; 2–5 yaş; 76 ham PAPA maddesi) kullanarak GAD ve SAD sınıflandırması için açıklanabilir makine öğrenmesi modelleri geliştirdik. Lojistik Regresyon, Rastgele Orman, XGBoost ve LightGBM modellerini yalnızca eğitim verisine uygulanan SMOTE-Tomek yeniden örnekleme ile eğittik ve XGBoost ile LightGBM için Optuna TPE tabanlı eniyileme yaptık. Kalibrasyonu Brier skoru, Beklenen Kalibrasyon Hatası ve Hosmer–Lemeshow testi ile değerlendirdik; SHAP TreeExplainer ile de model kararlarını küresel ve bireysel düzeyde yorumladık. LightGBM, çapraz doğrulamada en yüksek AUC değerlerine ulaştı (GAD: 0.9928; SAD: 0.9897), XGBoost ise bağımsız test setinde güçlü ayırt edicilik ve denge sağladı (GAD AUC = 0.9865, MCC = 0.9055; SAD AUC = 0.9948, MCC = 0.9057). GAD için iyi kalibre edilmiş tek model LightGBM olurken, her iki artırmalı model de SAD için çok iyi kalibrasyon gösterdi. On maddelik azaltılmış model, GAD için tam modele çok yakın AUC ile daha yüksek duyarlılık sunarak birinci basamakta uygulanabilir pratik bir tarama prototipi ortaya koydu. Yine de bulguların doğrulanması için dış geçerlilik çalışmaları gerekmektedir.