doi.org/10.1038/s44220-024-00294-2
Credibilidade: 989
#Machine Learning
Independentemente de suas circunstâncias pessoais, profissionais e sociais, diferentes indivíduos podem experimentar níveis variados de satisfação com a vida, realização e felicidade. Essa medida geral de satisfação com a vida, amplamente referida como “bem-estar”, tem sido o foco principal de vários estudos psicológicos.
Uma melhor compreensão dos muitos fatores que contribuem para o bem-estar pode ajudar a elaborar intervenções personalizadas e direcionadas, visando melhorar os níveis de realização das pessoas. Embora muitos estudos anteriores tenham tentado delinear esses fatores, poucos o fizeram aproveitando os modelos avançados de machine learning disponíveis hoje.
Os modelos de machine learning são projetados para analisar grandes quantidades de dados, revelando padrões ocultos e fazendo previsões precisas. Usar essas ferramentas para analisar dados coletados em estudos anteriores em neurociência e psicologia pode ajudar a lançar luz sobre os fatores ambientais e genéticos que influenciam o bem-estar.
Pesquisadores da Vrije Universiteit Amsterdam e do Amsterdam University Medical Center recentemente se propuseram a investigar o que prevê o bem-estar analisando um grande conjunto de dados coletados na Holanda ao longo de um período de dez anos usando machine learning. Suas descobertas, publicadas na Nature Mental Health, apontam vários fatores que podem prever o bem-estar na população em geral.
“Intervenções de bem-estar personalizadas eficazes exigem a capacidade de prever quem prosperará ou não, e a compreensão dos mecanismos subjacentes”, escreveram Dirk H. M. Pelt, Philippe C. Habets e seus colegas em seu artigo.
“Usando dados longitudinais de uma grande coorte populacional (o Netherlands Twin Register, coletado de 1991 a 2022), pretendemos construir modelos de previsão de machine learning para bem-estar adulto a partir do exposoma e do genoma, e identificar os fatores mais preditivos (N entre 702 e 5874).”
Pelt, Habets e seus colegas usaram modelos de machine learning para analisar o Netherlands Twin Register, um conjunto de dados coletados de uma grande coorte populacional ao longo de 11 anos. Esses dados foram coletados das mesmas crianças quando elas tinham cerca de 3, 5, 7, 10, 12, 14 e 15 anos, bem como de três ondas distintas de participantes adultos.
O conjunto de dados do Netherland Twin Register inclui informações genéticas conhecidas como pontuações poligênicas (ou seja, genoma), bem como informações sobre o ambiente dos participantes (ou seja, exposome geral) e condições psicossociais (ou seja, exposome específico). Os pesquisadores treinaram três modelos diferentes de machine learning, chamados XGBoost (XGB), SVM e RF nessa grande quantidade de dados.
Eles então usaram uma técnica poderosa conhecida como Shapley Additive Explanation (SHAP) para explorar as contribuições de diferentes características para as previsões feitas pelos três modelos. Sua análise revelou que as previsões do modelo de bem-estar foram baseadas em vários fatores ambientais e psicossociais relacionados à satisfação de vida, felicidade e qualidade de vida dos participantes.
“O exposome específico foi capturado por pais e autorrelatos de fatores psicossociais da infância à idade adulta, o genoma foi descrito por pontuações poligênicas, e o exposome geral foi capturado pela ligação dos códigos postais dos participantes a exposições objetivas baseadas em registro”, escreveram Pelt, Habets e seus colegas.
“Não o genoma (R2″=””0,007 [“0,026″0,010]), mas o exposoma geral (R2″=”0,047 [0,015″0,076]) e especialmente o exposoma específico (R2″=”0,702 [0,637″0,753]) foram preditivos de bem-estar em um conjunto de teste independente. Adicionar o genoma (P”=”0,334) e o exposoma geral (P”=”0,695) independentemente ou em conjunto (P”=”0,029) além do exposoma específico não melhorou a predição.”
No geral, os pesquisadores observaram que as predisposições genéticas dos participantes (ou seja, seu genoma) não previram seu bem-estar relatado, enquanto fatores ambientais e psicossociais o fizeram. Os fatores que eles descobriram ser mais preditivos de bem-estar são otimismo, traços de personalidade, apoio social, dinâmica de vizinhança e características de moradia.
“Nossas descobertas destacam a importância do monitoramento longitudinal e promessas de diferentes modalidades de dados para previsão de bem-estar”, escreveram os pesquisadores.
Este estudo recente de Pelt, Habets e seus colegas sugere que circunstâncias ambientais, sociais e psicológicas específicas contribuem mais para o bem-estar subjetivo das pessoas. No futuro, as descobertas coletadas podem informar o desenvolvimento de intervenções personalizadas destinadas a melhorar a satisfação de vida de indivíduos específicos, ao mesmo tempo em que potencialmente inspiram o uso posterior do machine learning para explorar os fatores que influenciam o bem-estar.
Publicado em 15/09/2024 14h12
Artigo original:
Estudo original: