Алгоритм предсказывает силу тяги к наркотикам у людей в ремиссии

Тяга к наркотику — один из самых сильных предсказателей возврата к употреблению. Но связи между разными факторами сложные и нелинейные, поэтому обычные статистические модели часто их не улавливают. Исследователи решили проверить, справятся ли с задачей методы машинного обучения — алгоритмы, которые сами находят закономерности в данных.

В работе участвовали 692 человека, проходивших реабилитацию в центрах принудительного лечения. После очистки данных осталось 629 анкет. Тягу оценивали по специальному опроснику из 34 пунктов, а также собрали 18 характеристик: демографические и поведенческие. Модели обучали на части данных и проверяли на отложенной выборке.

Сравнили семь алгоритмов, включая логистическую регрессию, XGBoost и LightGBM. Лучшей оказалась логистическая регрессия — более простая и понятная модель. На независимой выборке она показала точность около 66% и AUC 0,85 (микро-усреднённый), а для выявления группы с высокой тягой AUC составила 0,84. Это означает, что модель неплохо различает людей с сильной и слабой тягой.

Чтобы объяснить решения модели, применили метод SHAP. Он показал, какие признаки сильнее всего влияют на прогноз. Ключевыми оказались частота употребления, длительность употребления и употребление героина. Поведенческие признаки были связаны с высокой тягой положительно, а социально-демографические факторы, наоборот, играли защитную роль, но их эффект ослабевал по мере утяжеления зависимости.

Авторы подчёркивают: модель — не диагноз, а инструмент для предварительной оценки, и её ещё нужно проверять на других группах. Работа не про грибы и не про лечение, а про то, как современные методы анализа данных помогают понять зависимость.