基于九项回避/限制性进食障碍筛查量表（NIAS）开发的机器学习临床决策支持系统

《Journal of Eating Disorders》：A machine learning-based clinical decision support system developed using the nine item avoidant/restrictive food intake disorder screen (NIAS)

　　

摘要

目标

回避/限制性进食障碍（ARFID）是一种进食障碍，可能会导致严重的健康问题，尤其是在儿童中，但由于缺乏实用的筛查工具，往往被诊断不足。九项回避/限制性进食障碍筛查表（NIAS）是一种经过验证且可靠的用于评估 ARFID 症状的测量工具。本研究旨在开发并评估一种基于机器学习的临床决策支持系统（CDSS）原型，该原型基于 NIAS 父母报告数据对 ARFID 风险进行分类。

方法

本研究回顾性分析了在土耳其收集的 440 名 6–12 岁儿童的 NIAS 父母报告数据。基于 NIAS 子量表的推荐临床截断值，参与者被分为“高 ARFID 风险”或“低 ARFID 风险”组。使用五折交叉验证测试了七种基于树的机器学习算法。优化了一个决策树模型，以优先考虑可解释性和临床可行性。

结果

在初始模型中，额外树（Extra Trees）和 CAT 提升（CAT Boosting）表现最高（准确率 = 96%）。经过优化，基于可解释性和简洁性选择了最终的决策树模型，实现了 94.1% 的总体分类准确率。该模型需要 1 到 4 个决策点（通常为 2–3 个）进行分类。特征重要性分析显示，NIAS7（基于恐惧的食物回避）、NIAS4（摄入量低/食欲不振）和 NIAS2（挑食）是预测 ARFID 风险的最具预测性的条目。

结论

研究结果表明，机器学习模型，特别是优化后的决策树，作为利用 NIAS 数据筛查儿童 ARFID 风险的 CDSS 工具显示出相当大的潜力。该原型可能提高临床筛查过程的效率和实用性。然而，需要进一步研究以确立其外部效度和现实临床适用性。