机器学习在创伤后应激障碍（PTSD）研究中的意义：关联理论模型，探索整合风险模型

近年来，机器学习（ML）技术在创伤后应激障碍（PTSD）预测研究中应用增多，但临床相关性和普适性存疑。研究人员开展系统回顾研究，发现研究存在偏倚风险，同时也有关键预测因子重叠、数据与理论研究相符等成果，为构建 PTSD 风险整合模型提供思路。

　　摘要：近年来，机器学习（ML）技术在创伤后应激障碍（PTSD）预测研究中的应用日益增多。然而，ML 研究结果的临床相关性和可推广性受到质疑，阻碍了临床医生和研究人员对其的应用。在这项系统综述中，研究人员探究了：（1）利用 ML 方法确定的创伤前、创伤期间和创伤后的风险因素，在多大程度上与对该疾病的理论认知相契合；（2）ML 技术是否带来了新的见解；（3）ML 研究结果与以往研究相结合，能否构建一个涵盖预测因子类别及其理论相关性的 PTSD 风险整合模型。研究人员在 PubMed、Web of Science 和 Scopus 数据库中检索了关于 PTSD 风险因素的 ML 研究。纳入标准为明确了预测因子和 PTSD 症状收集时间与创伤事件的时间关系的研究。最终纳入 30 项研究，共 12908 名参与者（平均年龄 36.5 岁）。从所有研究中提取 15 个最重要的预测因子后，研究人员将其分为创伤前、创伤期间和创伤后暴露预测因子，并研究它们与已有的 PTSD 理论模型的关联。利用预测模型偏倚风险评估工具（PROBAST）评估发现，许多研究存在偏倚风险。不过，研究人员发现不同研究确定的预测因子存在重叠，数据驱动的结果与理论驱动的研究具有一致性，并且通过 ML 还发现了一些尚未充分研究的预测因子。研究人员提出了一个整合数据驱动和理论驱动研究结果的 PTSD 风险整合模型，并探讨了未来的研究方向。研究人员强调了规范 ML 方法在心理健康领域应用和报告的重要性。