《Biological Psychiatry: Cognitive Neuroscience and Neuroimaging》：Enhancing diagnostic and prognostic prediction of child psychopathology via multivariate predictive modeling: Where are we and where do we need to go?
编辑推荐：
摘要
计算科学和机器学习的进步为改善心理健康服务的可及性和质量提供了近期内的一次机遇。这些工具在儿童失调性心理病理学和注意缺陷/多动障碍方面的应用尤为值得关注，因为它们是常见问题，给医疗系统带来沉重负担；早期识别和有效治疗可以改变终身发展轨迹。预测工具的成功开发和验证将
摘要
计算科学和机器学习的进步为改善心理健康服务的可及性和质量提供了近期内的一次机遇。这些工具在儿童失调性心理病理学和注意缺陷/多动障碍方面的应用尤为值得关注，因为它们是常见问题，给医疗系统带来沉重负担；早期识别和有效治疗可以改变终身发展轨迹。预测工具的成功开发和验证将使临床医生能够1）高效准确地筛查诊断，即使在行为或心理健康培训有限的情况下；2）分配稀缺的行为健康资源；3）与儿童和家庭更有效地围绕风险-收益决策进行沟通；4）在危机出现之前启动定制化治疗方案。然而，这项工作具有挑战性。在这里，我们概述了一些我们认为最紧迫的概念性、实践性和计算性挑战。我们提出潜在的途径来推动该领域向前发展，包括将个体差异视为预测信息而非噪声；考虑新颖的表型特征，这些特征传统上处于诊断实践范围之外，如基于认知和气质的情感特征；以及加强跨学科合作，包括与患者和医疗提供者利益相关者的合作，以确保模型开发和评估的稳健性，并直接解决临床目标。我们提供了具体建议，以严格测试内部和外部验证，并解决临床实用性问题，以促进临床转化。随着该领域开展这项工作，认真思考谁正在被帮助，以及谁可能因为现有数据源的局限性和推广能力的限制而被抛在后面，将是至关重要的。
章节片段
与心理病理学和风险定义相关的挑战
当前使用统计模型预测诊断类别的努力，正值心理学日益质疑分类诊断的价值之时[21]。对基于DSM的分类诊断系统的批评众所周知，包括关注症状对单一疾病的特异性不足（导致高共病率）、诊断类别内症状差异显著，以及现有诊断组的生物学依据可能不足等问题。
前进之路：拥抱"噪声"
尽管分类模型与不完美的类别之间看似矛盾，但仍可以取得相当进展。诊断预测的挑战并非通过确定性算法完美识别ADHD（这在没有完美预测基准的情况下是不可能的）。相反，预测模型可以解决其他临床紧急需求，如以高效、算法化的方式分类诊断明确的病例，降低对患者的成本和负担，同时
结论
计算科学和机器学习的最新进展为近期内改善心理健康服务的可及性和质量提供了机遇。预测模型的成功开发和验证可以通过高效筛查和诊断减轻过度紧张的医疗系统的负担，特别是在心理健康培训有限的环境中，并通过深入了解可能的结果来指导风险-收益和资源分配决策。向
财务披露
Faraone从Aardvark、Aardwolf、Otsuka、Collegium、Corium、Medice、Supernus、Alkermes、Vistagen和Mentavi获得收入、潜在收入、差旅费用、继续教育支持和/或研究支持。他与所在机构持有美国专利US20130217707A1，涉及钠-氢交换抑制剂在治疗ADHD中的应用。他从Guilford出版社出版的书籍中获取版税：《Straight Talk about Your Child's Mental Health》，以及Oxford University Press出版的《Schizophrenia》。
致谢
本工作由U01 MH135970资助（主要负责人：Nagel/Karalunas）。
Sarah L. Karalunas|Stephen V. Faraone|Michael A. Mooney|Nicole Weiskopf|Alysa E. Doyle|Evangeline Kurtz-Nelson|Rebecca McNally Keehn|Margaret H. Sibley|Janet Wozniak|Tosha Zaback|Yanli Zhang-James|Elizabeth Nousen|Maria Iorini|Joel Nigg|Bonnie J. Nagel
