《European Child & Adolescent Psychiatry》:From childhood to adulthood: an attempt to model long-term outcomes of ADHD using machine learning
编辑推荐:
背景
儿童期起病的注意缺陷多动障碍(attention-deficit/hyperactivity disorder, ADHD)在28%至58%的个体中持续存在,并与不良长期结局相关,例如额外的精神科诊断和较低的教育成就。了解不良长期结局的早期生活预测因素可
背景
儿童期起病的注意缺陷多动障碍(attention-deficit/hyperactivity disorder, ADHD)在28%至58%的个体中持续存在,并与不良长期结局相关,例如额外的精神科诊断和较低的教育成就。了解不良长期结局的早期生活预测因素可能有助于制定预防措施,但使用传统统计模型识别出的预测因素太少。当前研究探讨了机器学习在识别儿童期起病ADHD成人ADHD持续性和长期功能的预测因素方面的潜力。
方法
来自一项18年前瞻性队列研究的总共133名成人(Mage = 29.53,SDage = 2.83,75%为男性)接受了ADHD持续性和长期功能评估。机器学习模型采用交叉验证,伴或不伴额外重采样开发,并与传统logistic/线性回归模型进行比较。研究人员使用SHapley Additive exPlanations(SHAP)探讨模型行为。儿童期预测因素包括ADHD症状和治疗、其他精神病理学、认知、躯体特征、ADHD多基因风险评分(polygenic risk score, PRS)以及父母人口学和精神病理学。
结果
所有模型对ADHD持续性和功能(生活质量)的预测性能均较低。表现最佳的模型包括用于ADHD持续性的带重采样logistic回归模型(曲线下面积(area under the curve, AUC)all models = .52–.58;AUClogistic regression, resampling = .58),以及用于长期功能的岭回归模型(决定系数(R2)all models = -0.36–0.02;R2ridge regression = .02,均方根误差(root mean squared error, RMSE)all models = 2.07–2.42;RMSEridge regression = 2.07)。
结论
研究结果强调了预测ADHD长期结局的复杂性。在模型能够为临床实践提供信息之前,模型改进至关重要,例如通过增加样本量和研究额外预测因素。
该研究聚焦儿童期起病的注意缺陷多动障碍(attention-deficit/hyperactivity disorder, ADHD)向成人期发展的长期结局预测。背景部分指出,儿童期起病ADHD在28%至58%的个体中持续存在,并与额外精神科诊断、较低教育成就等不良长期结局相关。儿童期ADHD还与物质使用障碍(substance use disorder, SUD)、重性抑郁障碍(major depressive disorder, MDD)、焦虑障碍、学术与职业功能损害、社会功能损害、躯体健康问题及较低生活质量相关。然而,ADHD从儿童期到成人期的发展轨迹高度异质,超过60%经历负性结局,也有部分成人从ADHD中恢复。为探讨结局异质性原因并预防不利结局,早期识别预测因素很重要。目前,针对ADHD持续性、SUD和MDD等长期结局的稳健预测因素很少。叙述性综述提示ADHD持续性的预测因素包括ADHD混合型、多动/冲动症状、共病问题(如焦虑障碍)和家庭特征(如较低社会经济地位);两项荟萃分析显示持续性由兴奋剂治疗史、共病品行障碍(conduct disorder, CD)、共病MDD和较低总智商(total intelligence quotient, TIQ)预测,但后者仅由低质量研究显示。ADHD持续性又预测童年诊断ADHD成人的SUD和MDD。其他长期结局的稳健预测因素仍未知。现有预测模型几乎完全依赖传统统计模型,常孤立研究预测因素,未考虑非线性关系和复杂交互,因此一些预测因素可能未被发现。机器学习适用于建模预测因素与结局之间的复杂相互作用,可能在多个医疗领域更准确预测结局,但在ADHD中用于成人长期结局的预后风险估计模型很少,且性能不足。因此,研究人员开展本研究,探索先进机器学习技术相较传统logistic回归在预测儿童期ADHD成人结局中的附加价值,包括ADHD持续性和长期功能。
研究人员使用了来自荷兰国际多中心ADHD遗传学(International Multicenter ADHD Genetics, IMAGE)研究分支的18年前瞻性队列,当前研究为18年随访(如van der Plas等所述)。共133名童年诊断为ADHD的成人(M
age = 29.53,SD
age = 2.83,75%为男性)评估ADHD持续性和长期功能。童年预测因素包括ADHD症状和治疗、其他精神病理学、认知、躯体特征、ADHD多基因风险评分(polygenic risk score, PRS)以及父母人口学和精神病理学。作者得出结论:所有模型对ADHD持续性和功能(生活质量)的预测性能均较低;最佳模型为用于ADHD持续性的带重采样logistic回归(AUC
all models = .52–.58;AUC
logistic regression, resampling = .58)和用于长期功能的岭回归(R
2all models = -0.36–0.02;R
2ridge regression = .02,RMSE
all models = 2.07–2.42;RMSE
ridge regression = 2.07)。研究强调预测ADHD长期结局的复杂性,模型需改进后才能为临床实践提供信息,例如增加样本量和研究额外预测因素。
关键技术方法方面,样本来源为荷兰IMAGE研究分支的18年前瞻性队列,基线为2003—2006年,随访为2022—2024年,纳入133名童年起病ADHD成人。研究使用21个童年预测因素,结局为ADHD持续性和成人功能。采用5折分层分组交叉验证,兄弟姐妹置于同一折;使用链式方程多元插补(multivariate imputation by chained equations, MICE)生成20个插补数据集。模型训练时进行重采样并加入5%噪声。算法包括传统logistic/线性回归基线、岭回归、支持向量机(support vector machine, SVM)、随机森林(random forest, RF)和极端梯度提升(extreme gradient boosting, XGB),并进行超参数随机搜索。以AUC、R
2和RMSE评估,并用SHapley Additive exPlanations(SHAP)解释最佳模型。
研究结果保留如下小标题。样本描述:样本包括133名童年ADHD参与者,M
age = 29.53,SD
age = 2.83,75%男性;61名(47%)在随访时ADHD持续。持续组与缓解组在基线或随访年龄、性别上无显著差异。数据预处理:成人功能:共41项长期结局测量,涵盖7个功能域。研究在交叉验证训练折内标准化结局并用主成分分析(principal component analysis, PCA)降维,采用varimax旋转,仅提取第一主成分作为成人功能指标。第一主成分解释21%方差(SD = 0.00),其他主成分均解释<10%方差。第一主成分反映总体生活质量,因生活展望(生活质量;M因子载荷 = -0.41,SD = 0.09)、精力/活力(SF-36,36-Item Short Form Health Survey;M = -0.39,SD = 0.09)和情绪健康(SF-36;M = -0.38,SD = 0.08)载荷最高。因此功能结局被称作生活质量;较高分数反映较差生活质量,较低分数反映较好生活质量。模型开发与评估:预测因素间无强相关(r's<0.57),提示不太可能存在多重共线性。ADHD持续性的预测:基线logistic回归加重采样数据表现最佳,AUC = 0.58 [95%置信区间(confidence interval, CI)0.55–0.60](敏感性 = 54%,特异性 = 57%,阳性预测值(positive predictive value, PPV)= 54%,阴性预测值(negative predictive value, NPV)= 57%)。校准斜率0.30 [95% CI 0.21–0.40],截距?0.24 [95% CI ?0.30–0.18]。PRS插补协变量对模型性能无影响(ΔAUC = -0.00 [95% CI -0.00–0.00]),因此适合在不含PRS插补协变量下运行模型。生活质量的预测:岭回归模型表现最佳,R
2 = 0.02 [95% CI -0.01–0.04],RMSE = 2.07 [95% CI 2.01–2.14]。校准斜率0.96 [95% CI 0.81–1.13],截距0.10 [95% CI 0.04–0.16]。PRS插补协变量负向影响模型性能(ΔR
2 = -0.02 [95% CI -0.03–0.01],t(99) = -2.93,p = 0.004;ΔRMSE = -0.02 [95% CI -0.03–0.01],t(99) = -3.10,p = 0.003),因此报告模型不含该协变量。SHAP分析仅作为探索性描述模型行为,不应解释为这些变量是真实预后预测因素。
讨论部分总结:本研究首次探索先进机器学习技术相较传统logistic回归在预测儿童期诊断ADHD成人18年后长期结局尤其是ADHD持续性和长期功能中的附加价值。尽管所有模型拟合差,最佳模型仅略优于传统logistic回归。模型无法区分ADHD持续性和生活质量结局状态,仅略好于随机。先前ADHD预测模型性能差异大(AUC 0.50–0.99),但主要预测童年诊断或治疗反应,而非长期预后风险估计。两项先前预后风险估计模型使用更大样本,分别以logistic回归预测哌甲酯相关精神症状(AUC = 0.75)和随机森林预测SUD发生(AUC = 0.73)。总体而言,研究很少,未有高预测能力,也未有研究ADHD持续性和功能。作者提出模型性能不足可能反映成人结局难以预测:结局可能受许多小效应风险因素影响,需要更大样本和更多风险因素,类似全基因组关联研究;可能遗漏神经影像、环境和社会因素;功能结局由41项测量的PCA确定,但仅选第一主成分以保持可解释性,损失其他主成分变异,可能削弱更广泛功能预测;深度学习模型可能提高预测准确性但可解释性低,临床需要可解释性。SHAP显示变量影响,因模型区分性能低,变量重要性估计需谨慎,未来研究应改进模型性能后再审视SHAP分析,并需重复和外部验证。优势包括18年随访、前瞻性收集结局、纳入临床常用变量、多重插补处理缺失;局限包括样本量有限导致训练集过拟合,MICE插补在交叉验证前对整个数据集进行可能人为增加预测因素与结局关系,但缺失有限(结局最多10%,预测因素最多20%)可能限制膨胀。
研究结论翻译:总之,机器学习技术(数据重采样、岭回归)略优于传统logistic回归模型,但对ADHD持续性和生活质量的模型拟合较差(AUC接近随机,解释变异低且预测准确性低)。然而,预测成人生活质量的岭回归模型显示出良好校准,提示模型可靠性较好。尽管如此,在样本相对有限的研究中分析结局时,传统模型目前似乎仍是合适选择;但研究还应选择多变量分析以探讨多个预测因素的共同影响。可能需要额外/替代测量以检测小效应并反映预测ADHD长期结局的复杂性。