Though lifetime exposure to traumatic events is significant, only a minority of individuals develops symptoms of posttraumatic stress disorder (PTSD). Post-trauma alterations in neurocognitive and affective functioning are likely to reflect changes in underlying brain networks that are predictive of PTSD. These constructs are assumed to interact in a highly complex way. The aim of this exploratory study was to apply machine learning models to investigate the contribution of these interactions on PTSD symptom development and identify measures indicative of circuit related dysfunction. N = 94 participants admitted to the emergency room of an inner-city hospital after trauma exposure completed a battery of neurocognitive and emotional tests 1 month after the incident. Different machine learning algorithms were applied to predict PTSD symptom severity and clusters after 3 months based. Overall, model accuracy did not differ between PTSD clusters, though the importance of cognitive and emotional domains demonstrated both key differences and overlap. Alterations in higher-order executive functioning, speed of information processing, and processing of emotionally incongruent cues were the most important predictors. Data-driven approaches are a powerful tool to investigate complex interactions and can enhance the mechanistic understanding of PTSD. The study identifies important relationships between cognitive processing and emotion recognition that may be valuable to predict and understand mechanisms of risk and resilience responses to trauma prospectively.

中文翻译：

---

利用机器学习来测试认知处理和情绪识别对创伤后创伤后应激障碍发展的影响。

尽管终生遭受创伤事件的影响很大，但只有少数人会出现创伤后应激障碍（PTSD）的症状。创伤后神经认知和情感功能的改变很可能反映出潜在的脑网络变化，这些变化预示了PTSD。假定这些构造以高度复杂的方式进行交互。这项探索性研究的目的是应用机器学习模型来调查这些相互作用对PTSD症状发展的贡献，并确定指示电路相关功能障碍的措施。N = 94名参与者在事件发生后1个月内接受了创伤暴露后完成了一系列的神经认知和情绪测试，因此被送进了一家市中心医院的急诊室。在3个月后，应用了不同的机器学习算法来预测PTSD症状的严重程度和集群。总体而言，尽管认知和情感领域的重要性证明了关键差异和重叠，但PTSD集群之间的模型准确性没有差异。最重要的预测因素是高阶执行功能，信息处理速度和情感不一致提示的处理发生变化。数据驱动的方法是研究复杂相互作用的强大工具，可以增强对PTSD的机械理解。该研究确定了认知加工与情绪识别之间的重要关系，这些关系可能对预测和理解对创伤的风险和适应力反应机制具有重要意义。尽管认知和情感领域的重要性证明了关键差异和重叠，但PTSD集群之间的模型准确性没有差异。最重要的预测因素是高阶执行功能，信息处理速度和情感不一致提示的处理发生变化。数据驱动的方法是研究复杂相互作用的强大工具，可以增强对PTSD的机械理解。该研究确定了认知加工与情绪识别之间的重要关系，这些关系可能对预测和理解对创伤的风险和适应力反应机制具有重要意义。尽管认知和情感领域的重要性证明了关键差异和重叠，但PTSD集群之间的模型准确性没有差异。最重要的预测因素是高阶执行功能，信息处理速度和情感不一致提示的处理发生变化。数据驱动的方法是研究复杂相互作用的强大工具，可以增强对PTSD的机械理解。该研究确定了认知加工与情绪识别之间的重要关系，这些关系可能对预测和理解对创伤的风险和适应力反应机制具有重要意义。最重要的预测因素是高阶执行功能，信息处理速度和情感不一致提示的处理发生变化。数据驱动的方法是研究复杂相互作用的强大工具，可以增强对PTSD的机械理解。该研究确定了认知加工与情绪识别之间的重要关系，这些关系可能对预测和理解对创伤的风险和适应力反应的机制具有重要意义。最重要的预测因素是高阶执行功能，信息处理速度和情感不一致提示的处理发生变化。数据驱动的方法是研究复杂相互作用的强大工具，可以增强对PTSD的机械理解。该研究确定了认知加工与情绪识别之间的重要关系，这些关系可能对预测和理解对创伤的风险和适应力反应机制具有重要意义。