基于熵权法与机器学习的青少年自伤行为风险网络识别及干预策略研究

本研究针对青少年自伤行为（Self-Injurious Behavior, SIB）这一全球性公共卫生问题，通过整合机器学习与网络分析方法，结合熵权法（EWM）对2047名中国青少年的多维风险因素进行系统评估。研究揭示了孤独感（L）、ADHD症状、网络成瘾（IA）等8项核心风险因子的网络交互机制，为开发精准干预策略提供了理论依据。成果发表于《Translational Psychiatry》，对降低青少年自杀风险及社会经济负担具有重要意义。

　　

青少年自伤行为（SIB）已成为全球公共卫生领域的严峻挑战，其终生患病率高达13.7%，每年造成巨额社会经济负担。传统研究多采用线性模型分析单一风险因素，难以捕捉生理-心理-社会因素的复杂交互网络。更棘手的是，现有预测模型存在"黑箱"局限，临床转化应用困难。在此背景下，Zheng Zhang团队创新性地将心理病理网络理论与人工智能技术相结合，为破解这一难题提供了新思路。

研究团队采用多学科交叉方法，首先通过问卷调查收集了中国湖南2047名11-17岁青少年的19项风险指标，涵盖生理（如ADHD症状、自闭特质）、心理（抑郁、焦虑）和社会（校园欺凌、童年创伤）三大维度。运用随机森林（RF）等6种机器学习算法构建预测模型（最高AUC达0.814），同时采用EBICglasso网络分析揭示变量间非线性关联，最终通过熵权法（EWM）整合两类结果，形成综合风险评估体系。

网络结构特征

比较分析显示，SIB组与非SIB组的网络稀疏度均为53%，但连接强度存在显著差异。孤独感（L）与网络成瘾（IA）的边权重达0.171，抑郁（DEP）与焦虑（ANX）的关联强度高达0.439，构成核心心理症状簇。值得注意的是，教师欺凌管理（TBM）与ADHD症状呈现0.195的正向连接，暗示教育干预的潜在价值。

关键风险节点

熵权法综合评估发现：孤独感（综合得分0.856）位居首位，其通过损害情绪调节能力（涉及前扣带回皮层功能异常）直接激活SIB风险；ADHD症状（0.825）因前额叶功能障碍导致的冲动性成为生理维度最危险因素；校园欺凌（BB）则以0.438得分凸显社会环境的关键影响。网络中心性分析进一步验证，自闭特质（AT）和思维漫游（MW）分别通过社交障碍和认知失调间接推高SIB风险。

方法学创新

研究首次实现机器学习预测效能与网络分析可解释性的有机统一。随机森林模型特征重要性排序与网络中心性指标（如ADHD症状度中心性1.852）高度吻合，证实方法的稳健性。通过1000次Bootstrap重采样验证，边缘权重稳定性系数>0.75，关键节点中心性误差范围<15%，满足临床参考标准。

临床转化价值

该研究为SIB防治提供了三级干预框架：在心理层面，针对孤独感推荐"朋友圈"团体认知行为治疗（CBT）；对ADHD青少年建议结合家庭训练计划（FTP）改善冲动控制；校园层面则倡导引入芬兰KiVa反欺凌项目的本土化版本。研究强调，基于网络结构的精准干预可比传统方法提升28%效果，单个案例可减少9.74万美元潜在社会经济损失。

这项发表于《Translational Psychiatry》的研究，通过创新方法学架构揭示了SIB的多维发生机制，其构建的风险评估模型已在中国部分学校试点应用。未来研究需通过纵向设计验证因果链条，并探索可解释人工智能（XAI）技术提升临床适用性，为全球青少年心理健康治理贡献中国方案。