基于机器学习优化东亚人群冬季型季节性情感障碍诊断标准：季节性模式评估问卷(SPAQ)的创新应用

这篇研究通过机器学习方法重新评估季节性模式评估问卷(SPAQ)在东亚人群中的应用价值，提出改进的冬季型季节性情感障碍(SAD)诊断标准。研究采用K-Modes聚类和决策树算法分析495名情绪障碍患者数据，发现结合"体重增加最多"、"睡眠最多"等非典型症状能更准确识别冬季型SAD，特别适用于夏季气候炎热的东亚地区。该研究为跨文化环境下的季节性情绪障碍诊断提供了新思路。

　　

ABSTRACT

季节性情感障碍(SAD)是情绪障碍的特殊亚型，其诊断主要依赖季节性模式评估问卷(SPAQ)和Kasper标准。然而在夏季炎热潮湿的东亚地区，传统以"感觉最差月份"为单一判断标准的方法存在明显局限性。这项来自韩国 mood disorder cohort 的研究创新性地应用机器学习算法，为冬季型SAD诊断提供了更精准的标准。

1 Introduction

SAD最初由Rosenthal系统描述，其特征性症状包括嗜睡、食欲增加等与典型抑郁相反的表现。SPAQ作为常用评估工具，通过全球季节性评分(GSS)和功能损害程度进行诊断分类。Kasper标准进一步将患者分为冬季型和夏季型，但该标准在东亚地区的适用性受到质疑——炎热夏季可能导致患者误报"感觉最差月份"，而实际仍表现出冬季型SAD的核心症状。

2 Materials and Methods

研究纳入495名35岁以下情绪障碍患者，最终96例符合SAD或亚综合征SAD(S-SAD)标准。创新性地采用K-Modes聚类算法（适用于分类数据）对SPAQ四项关键问题("感觉最差"、"体重增加最多"、"睡眠最多"和"社交最少")进行分析，并通过决策树算法优化诊断路径。季节划分根据韩国气候特点调整：夏季(5-9月)、冬季(11-3月)。

3 Results

K-Modes聚类将患者分为两组：Cluster 0(70人)表现出明显的冬季症状模式，Cluster 1(26人)则为其他类型。与传统Kasper标准相比(ARI=0.077)，新方法识别出更多冬季型患者。决策树分析提炼出两条核心诊断路径：1)当"感觉最差"为冬季或无特定月份时，只要任一其他症状出现在冬季；2)当"感觉最差"为夏季时，需"体重增加最多"或"睡眠最多"出现在冬季。该模型准确率达96.87%，F1分数97.81%。

4 Discussion

研究突破了传统诊断的单一维度限制，首次系统证实东亚人群可能存在"夏季报告但冬季发病"的特殊模式。这种"症状分离"现象可能与地区气候特征密切相关。虽然样本量有限且缺乏金标准对照，但为开发文化适应性诊断工具提供了重要范式。未来研究可结合数字表型等技术，进一步验证标准在更广泛人群中的适用性。

5 Conclusion

这项研究开创性地将机器学习应用于季节性情绪障碍的诊断优化，提出的多维标准能更准确识别东亚人群中的冬季型SAD。特别是解决了炎热气候地区患者因夏季不适而导致的误分类问题，为临床实践提供了重要参考。该成果也为开发具有文化敏感性的精神障碍诊断工具树立了典范。