编辑推荐：
研究人员通过机器学习分析生理数据评估军人创伤后应激障碍（PTSD），算法准确率达 80.95%，助力 PTSD 诊断。
# 机器学习助力揭开军人 PTSD 诊断新篇
在生活的大舞台上，创伤后应激障碍（Posttraumatic Stress Disorder，PTSD）就像一个隐藏在暗处的 “幽灵”，悄然影响着无数人的生活。它是一种由创伤性事件引发的复杂心理健康问题，那些经历过事故、战斗或性虐待的人们，都有可能被它缠上。PTSD 的症状多样，像刻意回避相关场景、过度警觉、情绪麻木和负面情绪变化等，不仅让患者自身陷入身心的双重折磨，还会给社会带来沉重的经济负担。据统计，美国超过 6% 的平民一生中会患上 PTSD，而退伍军人患病的风险更高，男性退伍军人患病率约 7%，女性高达 12%。
然而，诊断 PTSD 却困难重重。它的临床表现极为复杂，目前主要依赖主观的评估方法，比如患者自我报告。但这些症状常常在临床环境之外出现，难以准确捕捉。现有的客观检测方法，像基于血液或唾液样本的检测，既耗时又昂贵，难以大规模应用。这就好比在黑暗中寻找钥匙，现有的诊断方法要么不够精准，要么成本过高，无法满足实际需求。因此，寻找一种客观、高效且可大规模应用的诊断方法迫在眉睫。
为了解开这个难题，来自法国 MyndBlue、美国 DCS Corporation、美国陆军研究实验室等机构的研究人员踏上了探索之旅。他们的研究成果发表在《Scientific Reports》上，为 PTSD 的诊断带来了新的曙光。
研究人员采用了多种关键技术方法。他们招募了 41 名美国现役军人和退伍军人作为样本队列，这些参与者要在沉浸式桌面环境中完成一项与军事相关的视觉搜索任务。在任务过程中，研究人员会通过多种传感器收集参与者的生理数据，包括心电图（ECG）、皮肤电反应（GSR）和眼动追踪数据。收集到的数据会经过一系列复杂的处理，比如从 ECG 中提取心率（HR）数据，通过特定算法计算皮肤电反应的相位值，从眼动追踪数据中提取瞳孔直径数据等。之后，研究人员会计算生理习惯化特征，并利用留一法（leave-one-out，LOO）对数据进行处理，训练多个机器学习分类器来预测 PTSD 状态，最终选择了表现最佳的高斯过程分类器。
研究结果
- 参与者数据库：经过一系列的数据处理和特征选择步骤后，研究人员为每个参与者建立了数据库，其中包含高压力条件下的模拟时间、生理数据、PCL-M 评分和 PTSD 状态。处理后，每个参与者平均剩下 16.95±2.32 个特征1。
- 模型性能：高斯过程分类器表现出色，整体二元准确率达到 80.95%，而基线多数类的恒定预测准确率仅为 52.4%。该模型的真阳性率（TPR）为 60%，真阴性率（TNR）为 100%2。
- 预测解释：研究人员使用 SHapley Additive exPlanations（SHAP）算法对模型预测进行解释。通过该算法，不仅可以了解哪些特征对模型预测最重要，还能得到所有参与者在模拟过程中特征的全局重要性排名。结果发现，“爆炸 / EBP” 特征对 PTSD 状态的预测最有价值，其次是 GSR 特征35。
- 个体习惯化反应：研究人员还计算了每个参与者的个体习惯化反应。结果显示，模型预测为患有 PTSD 的参与者中，没有人出现负习惯化（即敏感化）；而预测为未患 PTSD 的参与者中，73.3% 出现了对压力事件的敏感化。此外，个体习惯化反应强度与 PCL-M 评分之间存在关联，习惯化反应越强，PCL-M 评分越高，即 PTSD 症状越严重4。
研究结论与讨论
这项研究意义重大。研究人员通过开发、评估和解释一种机器学习算法，证实了生理习惯化是 PTSD 状态的一个重要标记。他们定义的个体习惯化反应与 PTSD 严重程度直接相关，而且发现这种习惯化过程可以通过像 HR 和 GSR 这样相对容易测量的生理信号观察到，这为使用可穿戴医疗设备结合机器学习算法监测 PTSD 患者或评估疾病进展奠定了基础。
不过，研究也存在一些局限性。比如参与者队列较小，虽然 LOO 方法能在一定程度上保证结果的普遍性，但更多样化、更大规模的样本可能会进一步优化研究结果。实验中的模拟时间较短，导致无法使用心率变异性（HRV）特征，而且性别分布不均衡，这些因素都可能影响研究结果的准确性。此外，模型的真阳性率还有提升空间，而且研究使用的 PCL-M 评分可能存在一定偏差。
尽管如此，这项研究依然为 PTSD 的诊断和监测开辟了新的道路。未来，随着研究的不断深入和技术的持续发展，有望开发出更精准、更便捷的 PTSD 诊断和监测系统，为那些饱受 PTSD 困扰的人们带来更多的希望和帮助。
