EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Development of personalized machine learning models for predicting panic attacks in college students

Entwicklung personalisierter Machine-Learning-Modelle zur Vorhersage von Panikattacken bei College-Studierenden

Dheeraj Dhanvee Kairamkonda, Josh Cherian, Guido Mascia, Johanna E Hidalgo, Julia N Kim, Jordan Llorin, Kathryn Stanton, Jennifer Ha, Peter Sheridan Dodds, Matthew Price, Christopher M Danforth, Joseph Sartini und 2 weitere

Frontiers in Digital Health · 30.10.2026 · 8

DOI: 10.3389/fdgth.2026.1978650 ↗

Auf einen Blick

In einer 6-monatigen Längsschnittstudie mit 39 College-Studierenden sagte ein personalisiertes Modell Panikattacken in der Folgewoche besser voraus als ein generalisiertes Modell. Das generalisierte Modell unterschied sich nicht von Zufall.

Fragestellung

Lassen sich Panikattacken in der kommenden Woche bei College-Studierenden mit personalisierten Machine-Learning-Modellen besser vorhersagen als mit generalisierten Modellen?

Methode

Längsschnittstudie mit Verhaltens- und Physiologiedaten aus Oura-Ringen bei 39 College-Studierenden über 6 Monate; Vergleich personalisierter und generalisierter Modelle.

Ergebnisse

Personalisierte logistische Regressionsmodelle: gepoolte PR-AUC-Lift 1,17 (95 %-KI 1,05–1,25) gegenüber Zufall. Generalisiertes Modell: 0,99 (95 %-KI 0,90–1,08). Direkter Vergleich: Lift-Ratio 1,18; p = .047.

Einschränkungen

Die Gruppen für gut bzw. schlecht passende Modelle wurden anhand der Testset-Performance definiert und benötigen Validierung in unabhängigen Daten.

Schlussfolgerung der Autor:innen

Die Ergebnisse sprechen für den potenziellen Wert personalisierter Modellierung; passiv erhobene tägliche Daten zu Schlaf, Aktivität und Physiologie könnten für die Vorhersage von Panikattacken nutzbar sein.

Kernaussagen

  • Personalisierte Modelle waren dem Zufall überlegen.
  • Das generalisierte Modell unterschied sich nicht von Zufall.
  • Gut passende Modelle zeigten eine höhere Vorhersageleistung.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift Frontiers in Digital Health, online erschienen am 30.10.2026. Verfasst von Dheeraj Dhanvee Kairamkonda und 13 weiteren Autor:innen. Beteiligte Einrichtung: Center for Remote Health Monitoring, Wake Forest University School of Medicine, Winston-Salem, NC, United States. Die Arbeit nennt 81 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: NIMH NIH HHS, National Indian Health Board, MassMutual Financial Group.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Panic attacks (PAs) are unexpected episodes of intense fear and anxiety, accompanied by cognitive and physical symptoms that significantly impair day-to-day functioning. This study proposes a machine learning approach to predict PA risk in the upcoming week in individuals across mental health conditions, enabling timely and potentially preventive mental health intervention. We evaluate the approach in a longitudinal sample of behavioral and physiological data collected using Oura rings from 39 college students over six months. We assessed multiple prediction algorithms applied within both personalized and generalized frameworks, fitting unique models for each participant and pooling data, respectively. Across all 39 participants, personalized models using logistic regression achieved a pooled PR AUC lift of 1.17 (95% CI: 1.05–1.25) over chance-level prediction ( p = .035), whereas the generalized model did not differ from chance (PR AUC lift of 0.99; 95% CI: 0.90–1.08); in a direct comparison, personalized models outperformed the generalized model (lift ratio=1.18, p = .047). Performance varied across participants: when personalized models were grouped by unsupervised clustering of test-set PR AUC lift, models clustered as well-fit ( n = 8) showed a pooled PR AUC lift of 2.26 (95% CI: 1.50–2.89) and models clustered as poor-fit ( n = 31) a lift of 1.09 (95% CI: 0.98–1.17). Because these groups were defined by test-set performance, they describe observed heterogeneity and require validation in independent data. Together, our findings point towards the potential value of personalized modeling approaches and suggest that passively collected daily measurements of sleep, activity, and physiology may carry signal for predicting PAs, which could ultimately be leveraged to identify individually tailored lifestyle interventions to reduce PA risk.

Schlagwörter

Stichwörter der Autor:innen

digital biomarkersdigital phenotypingmental healthpanic attackpersonalized models

Autor:innen und Institutionen

  • Center for Remote Health Monitoring, Wake Forest University School of Medicine, Winston-Salem, NC, United States.
  • Team LEMURS, University of Vermont, Burlington, VT, United States.

Förderung

  • NIMH NIH HHS
  • National Indian Health Board
  • MassMutual Financial Group

Zitieren

APA

Kairamkonda, D. D., Cherian, J., Mascia, G., Hidalgo, J. E., Kim, J. N., Llorin, J., Stanton, K., Ha, J., Dodds, P. S., Price, M., Danforth, C. M., Sartini, J., McGinnis, E. W., & McGinnis, R. S. (2026). Development of personalized machine learning models for predicting panic attacks in college students. Frontiers in Digital Health, 8. https://doi.org/10.3389/fdgth.2026.1978650

Vancouver

Kairamkonda DD, Cherian J, Mascia G, Hidalgo JE, Kim JN, Llorin J, et al. Development of personalized machine learning models for predicting panic attacks in college students. Frontiers in Digital Health. 2026;8. doi:10.3389/fdgth.2026.1978650

BibTeX
@article{Kairamkonda2026,
  author = {Kairamkonda, Dheeraj Dhanvee and Cherian, Josh and Mascia, Guido and Hidalgo, Johanna E and Kim, Julia N and Llorin, Jordan and Stanton, Kathryn and Ha, Jennifer and Dodds, Peter Sheridan and Price, Matthew and Danforth, Christopher M and Sartini, Joseph and McGinnis, Ellen W and McGinnis, Ryan S},
  title = {Development of personalized machine learning models for predicting panic attacks in college students},
  journal = {Frontiers in Digital Health},
  year = {2026},
  volume = {8},
  doi = {10.3389/fdgth.2026.1978650}
}
Kostenlos starten →