从干眼到抑郁：基于机器学习的青少年心理健康预测框架及其公共卫生意义

《BMC Medical Informatics and Decision Making》：From dry eye to depression: a machine learning-based framework for predicting adolescent mental health

本研究针对青少年抑郁症早期识别中物理健康指标缺失的现状，创新性地将干眼病（DED）与心理社会行为因素结合，开发机器学习预测模型。通过对2076名青少年问卷数据进行分析，研究发现整合DED的模型显著提升抑郁症状预测效能（AUC≈0.84），且校准良好。该低成本问卷驱动框架为学校场景的早期筛查和靶向干预提供新思路，具有公共卫生转化潜力。

　　

在当今数字化时代，青少年心理健康问题日益凸显，抑郁症已成为全球性的公共卫生挑战。据统计，10-20%的青少年受到抑郁症状困扰，其后果可能延续至成年期，甚至增加自杀风险。然而，现有预测模型多聚焦于心理社会因素，往往忽视身体症状与精神健康的潜在关联。尤其值得注意的是，随着电子设备使用激增，干眼病（DED）在青少年中发病率攀升，但其与抑郁的关联尚未被系统探索。

为填补这一空白，Han等人发表在《BMC Medical Informatics and Decision Making》的研究，开创性地将干眼病纳入机器学习预测框架。团队收集北京20所中学2076名12-18岁青少年的多维度数据，涵盖眼部健康（OSDI量表）、睡眠质量、电子设备使用时长、社会支持及人口学特征。抑郁严重度通过PHQ-9量表划分为四个等级。研究采用嵌套交叉验证（5×5）训练包括支持向量机（SVC）、梯度提升等五种代表性算法，并通过LASSO回归和SHAP值分析关键预测因子。

主要技术方法概述

研究采用横断面设计，通过聚类抽样获取代表性样本。数据预处理包括标准化、SMOTE过采样和嵌套交叉验证防止信息泄露。特征选择结合LASSO回归（剔除高共线性变量）和SHAP解释性分析。模型评估综合考量AUC、校准曲线（Brier分数、ECE）及各类别F1分数。

研究结果

特征选择

LASSO回归识别出八大核心预测因子：OSDI总分、睡眠时长（Sleep_quality1）、睡眠障碍频率（Sleep_quality2）、电子设备使用强度、运动频率、性别、父母教育水平和年龄。SHAP分析进一步证实干眼症状（OSDI_total）和睡眠质量对模型输出的贡献度最高。

机器学习模型性能

在15种算法探索中，支持向量机（SVC-RBF核）表现最优，宏观AUC达0.842，校准误差（ECE）仅0.038。梯度提升和随机森林紧随其后，而逻辑回归和朴素贝叶斯判别力较弱。所有模型对“无抑郁”和“重度抑郁”类别识别准确率高（F1>0.75），但对轻中度抑郁分类效能显著下降，反映此类症状的异质性挑战。

讨论与结论

本研究首次证实干眼病可作为青少年抑郁预测的有效生物标志物。其机制可能涉及慢性眼表不适引发的心理负担、炎症通路共享及屏幕使用-睡眠障碍-情绪问题的连锁反应。机器学习框架成功捕捉了生理-心理-行为因素的复杂交互，且问卷驱动的低成本模式适于大规模校园筛查。然而，研究存在局限性：样本仅来自北京地区，未纳入社交媒体使用等行为细节，且轻中度抑郁分类精度有待提升。未来需通过多中心队列验证模型泛化性，并整合数字表型（如昼夜节律指标）以优化预测效能。

该研究为青少年精神健康监测提供了新范式，强调跨学科整合在公共卫生实践中的价值。通过将眼科健康指标纳入风险评估，有望实现更早、更精准的抑郁预警，为学校为基础的干预策略提供科学依据。