Predictors of cyberchondria during the COVID-19 pandemic: A supervised machine learning approach

in Journal of Behavioral Addictions (2022, August 03)

Background and aims: Cyberchondria is characterized by repeated and compulsive online searches for health information, resulting in increased health anxiety and distress. This behavior has been considered ... [more ▼]

Background and aims: Cyberchondria is characterized by repeated and compulsive online searches for health information, resulting in increased health anxiety and distress. This behavior has been considered an emerging public health issue, which may have been exacerbated by the COVID-19 pandemic. The present study aimed to investigate changes in the severity of cyberchondria during the pandemic and identify predictors of cyberchondria at this time. Method: Self-reported data on cyberchondria severity (before and during the pandemic), attachment style, impulsivity traits, somatic symptoms, COVID-19-related fears, health anxiety, and intolerance of uncertainty were collected from 725 participants using an online survey distributed in French-speaking European countries during the first wave of the COVID-19 pandemic. Results: COVID-19 pandemic affected various facets of cyberchondria: cyberchondria-related distress and interference with functioning increased, whereas the reassurance facet of cyberchondria decreased. Using supervised machine learning regression analyses, the specific COVID-19-related fears and health anxiety emerged as the strongest predictors of cyberchondria-related distress and interference with functioning during the pandemic. Conclusions: These findings provide evidence about the impact of the COVID-19 pandemic on cyberchondria and identify factors that should be considered in efforts to prevent and manage cyberchondria at times of public health crises. In addition, the findings have implications for the conceptualization and future assessment of cyberchondria. [less ▲]

Évaluation de la validité des critères du Trouble lié au Jeu Vidéo en ligne selon le DSM-5 : Une approche en “Machine Learning”

Scientific Conference (2021, June 01)

INTRODUCTION : En 2013, le trouble lié au jeu vidéo en ligne (TJV) a été introduit dans la section III du DSM-5 qui répertorie les troubles émergents nécessitant plus de recherche avant d’être ... [more ▼]

INTRODUCTION : En 2013, le trouble lié au jeu vidéo en ligne (TJV) a été introduit dans la section III du DSM-5 qui répertorie les troubles émergents nécessitant plus de recherche avant d’être potentiellement reconnus [1]. 9 critères de diagnostic ont été proposés à partir de ceux initialement établis pour les troubles liés à l’utilisation de substance et au jeu d’argent [2]. Certains de ces critères, comme l’augmentation progressive du temps de jeu, ont été critiqués quant à leur validité vis-à-vis de l’évaluation du TJV [3]. Bien que le score seuil proposé par le DSM-5 pour établir un diagnostic semble soutenu dans la littérature [4], la présence de critères jugés peu pertinents par les experts rend possible une sur-pathologisation des joueurs fortement engagés dans les jeux vidéo [5]. Le Machine Learning (ML) représente une opportunité d’innovation dans l’évaluation de la validité des critères d’un outil diagnostic (validité clinique, utilité clinique, valeur pronostique). Bien que le ML soit de plus en plus utilisé en psychologie, il n’y a à notre connaissance aucune étude qui a utilisé cette approche pour tester la validité des critères proposés pour définir le TJV selon le DSM-5. OBJECTIF : Évaluer la validité des critères du DSM-5 concernant le TJV en fonction du score seuil de diagnostic (cut-off) prédéterminé et observer l’apport du ML. MATERIEL ET METHODE : Trois bases de données venant de deux études publiées [6, 7] et d’une étude non publiée ont été regroupées afin d’obtenir un échantillon final de 412 répondants. Les participants sont âgés entre 18 et 43 ans (M=21.89, SD=3.42), présentent un temps de jeux hebdomadaire allant de 1 à 70 heures (M=12.36, SD=9.06) et ont répondu de façon dichotomique à un questionnaire en ligne évaluant la présence des 9 critères du DSM-5 [2]. Aucun style de jeu en ligne particulier n’est ciblé. Selon le DSM-5, 95 (23%) participants présenteraient un TJV. Pour les statistiques traditionnelles, nous avons calculé les scores de Khi carré pour chaque critère du DSM-5. Concernant le ML, nous avons entraîné 2500 forêts d’arbres décisionnels et nous avons ensuite calculé pour chaque critère la moyenne de son importance au sein des 2500 modèles de prédiction entrainés. RESULTATS : Dans les deux types d’analyses, les critères de perte de contrôle et de perte d’intérêt ont obtenu les plus hauts scores. Les analyses de ML considèrent le critère de préoccupation comme étant le moins important. Du côté des statistiques traditionnelles, le critère de tolérance obtient la plus faible valeur. DISCUSSION : Le rajout du ML dans nos analyses a permis de confirmer la pertinence des critères de perte de contrôle et de perte d’intérêt repéré dans les analyses faites à l’aide des statistiques traditionnelles. De plus, le ML a attiré notre attention sur le critère de préoccupation comme étant potentiellement non valide, à l’instar du critère de tolérance dont la faible validité a été mise en lumière par les statistiques traditionnelles. Utiliser plusieurs méthodes d’analyse pour évaluer les critères d’un outil de diagnostic a apporté un avantage certain à notre étude et semble prometteur pour l’avenir. Bibliographie [1] American Psychiatric Association. (2013). Diagnostic and statistical manual of mental disorders: DSM-5 (5th ed.). Arlington, VA: American Psychiatric Association. [2] Petry, N. M., Rehbein, F., Gentile, D. A., Lemmens, J. S., Rumpf, H. J., Mößle, T., Bischof, G., Tao, R., Fung, D. S. S., Borges, G., Auriacombe, M., González Ibáñez, A., Tam, P., & O’Brien, C. P. (2014). An international consensus for assessing internet gaming disorder using the new DSM-5 approach. Addiction, 109(9), 1399–1406. https://doi.org/10.1111/add.12457 [3] Castro-Calvo, J., King, D. L., Stein, D. J., Brand, M., Carmi, L., Chamberlain, S. R., Demetrovics, Z., Fineberg, N. A., Rumpf, H. J., Yücel, M., Achab, S., Ambekar, A., Bahar, N., Blaszczynski, A., Bowden-Jones, H., Carbonell, X., Chan, E. M. Lo, Ko, C. H., de Timary, P., … Billieux, J. (2021). Expert appraisal of criteria for assessing gaming disorder: an international Delphi study. Addiction. https://doi.org/10.1111/add.15411 [4] Ko, CH., Yen, JY., Chen, SH., Wang, PW., Chen, CS., Yen, CF. (2014). Evaluation of the diagnostic criteria of Internet gaming disorder in the DSM-5 among young adults in Taiwan. J. Psychiatr. Res. 53:103–10. https://doi.org/10.1016/j.jpsychires.2014.02.008 [5] Billieux, J., Flayelle, M., Rumpf, H.-J., & Stein, D. J. (2019). High Involvement Versus Pathological Involvement in Video Games: a Crucial Distinction for Ensuring the Validity and Utility of Gaming Disorder. Current Addiction Reports, 6(3), 323–330. https://doi.org/10.1007/s40429-019-00259-x [6] Deleuze, J., Long, J., Liu, T. Q., Maurage, P., & Billieux, J. (2018). Passion or addiction? Correlates of healthy versus problematic use of videogames in a sample of French-speaking regular players. Addictive Behaviors, 82(March), 114–121. https://doi.org/10.1016/j.addbeh.2018.02.031 [7] Deleuze, J., Nuyens, F., Rochat, L., Rothen, S., Maurage, P., & Billieux, J. (2017). Established risk factors for addiction fail to discriminate between healthy gamers and gamers endorsing DSM-5 Internet gaming disorder. Journal of Behavioral Addictions, 6(4), 516–524. https://doi.org/10.1556/2006.6.2017.074 [less ▲]