基于重复谱聚类(RSC)的进食障碍精神病理学与气质表型分层：从DSM-5诊断到表型多样性

《European Eating Disorders Review》：Psychopathological and Temperamental Stratification of Eating Disorders With Clustering: From Diagnosis to Phenotypic Diversity

　　

目的：进食障碍具有高度异质性，对诊断分类和治疗个体化构成挑战。本研究旨在识别神经性厌食症和神经性贪食症的数据驱动表型，并检验其与《精神障碍诊断与统计手册》第5版（Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, DSM-5）诊断和短期治疗结局的关系。

方法：研究人员分析了在一家专科进食障碍单元接受治疗的809例女性患者，包括神经性厌食症（限制型或暴食-清除型）或神经性贪食症。研究人员评估了基线临床、社会人口学、进食障碍特异性及一般精神病理学变量。19个变量进入重复谱聚类（Repeated Spectral Clustering, RSC）流程，而体重指数（Body Mass Index, BMI）及相关测量指标被保留用于外部验证。研究人员检验了与DSM-5诊断和出院时缓解的关联。

结果：四聚类方案最适合数据。两个聚类分别大致对应于限制型神经性厌食症和神经性贪食症。另外两个诊断混合的聚类分别以更高的精神病理学严重程度和创伤暴露，或以更年长、病程更长和更显著营养不良为特征。聚类成员身份与治疗结束时的缓解相关，尽管效应较弱且没有配对对比在多重比较校正后仍显著。描述性地，完全缓解在类贪食聚类中最常见。

结论：计算表型分型捕捉到了超越DSM-5类别之外的具有临床意义的异质性，包括两种未被分类诊断识别的诊断混合亚组。入组时的聚类成员身份与治疗结束时的缓解弱相关，所得亚组可能为进食障碍的精准精神病学方法提供候选分层。

进食障碍（Eating Disorders, EDs）具有高度临床异质性，对诊断分类、预后判断与治疗方案制定构成严峻挑战。尽管《精神障碍诊断与统计手册》第5版（Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, DSM-5）明确了神经性厌食症（anorexia nervosa, AN）与神经性贪食症（bulimia nervosa, BN）等诊断类别，但患者在实际临床中常表现出远超传统亚型的多样化症状组合、共病模式与治疗反应轨迹。既往采用聚类分析等数据驱动方法的研究，多依赖欧氏距离或严格参数假设，且常局限于单一诊断组或仅聚焦于症状维度，难以充分揭示跨越诊断边界的潜在表型结构。因此，需要一种更为稳健、可处理混合数据类型且能产生可重复结果的机器学习（Machine Learning, ML）方法，在大型跨诊断样本中识别具有临床意义的进食障碍表型，并评估其与传统诊断及治疗结局的关系。

本研究即在此背景下展开。研究人员对2005至2023年意大利帕多瓦医院进食障碍单元连续收治的809例女性患者进行了数据驱动表型分析，患者包括限制型神经性厌食症（AN-R，351例）、暴食-清除型神经性厌食症（AN-BP，150例）和神经性贪食症（BN，308例）。通过应用重复谱聚类（Repeated Spectral Clustering, RSC）算法，研究人员从19项临床和心理学特征中识别出四个稳健且可解释的聚类。其中两个聚类分别与DSM-5的AN-R和BN诊断高度吻合；另两个则为诊断混合表型，一个以显著的精神病理学负担与较高创伤暴露为特征，另一个以年龄较大、病程较长及营养不良更突出为特征。聚类成员身份与出院时缓解状态存在弱关联，描述性分析显示类贪食表型的完全缓解率最高。这些发现证实，计算表型分型能够捕捉超越DSM-5类别的临床异质性，为进食障碍的精准精神病学分层提供了潜在的候选依据。

在技术方法上，研究人员使用一般距离度量（General Distance Measure, GDM）计算患者两两之间的距离，该度量适用于有序和连续数据，不依赖正态性假设。随后采用RSC算法，其融合了谱聚类与共识聚类的优点：通过多次随机初始化k均值，记录患者对在同一聚类中的共现频率，形成共现矩阵，最终得到稳定的聚类分配。聚类数目由最大谱间隙准则确定为4。体重指数（Body Mass Index, BMI）、最低BMI、体重抑制和闭经被有意排除在聚类特征之外，而作为外部验证变量，用于检验聚类的收敛效度。此外，研究人员使用XGBoost（eXtreme Gradient Boosting）监督学习模型分别预测DSM-5诊断标签和聚类标签，以比较两类分类的可分离性。样本来源于单一专科中心，所有患者均接受标准化的半结构化访谈与自评问卷评估。

研究结果部分包含三个主要发现。3.1 聚类及其与DSM-5诊断和缓解的关联：通过χ²独立性检验发现，聚类成员身份与DSM-5诊断显著相关，效应量强。Cluster 1中有81.8%为AN-R，Cluster 2中有67.6%为BN。聚类与出院缓解也显著相关但效应量弱；描述性上，Cluster 2完全缓解率最高（44.7%）。3.2 聚类的表型特征：通过Kruskal-Wallis检验及Mann-Whitney U检验对四个聚类在25个特征上进行比较。Cluster 1（AN-R表型）表现为年龄轻、起病早、病程短、BMI低、总体精神病理学水平最低；Cluster 2（BN表型）表现为新颖寻求（Novelty Seeking, NS）和奖赏依赖（Reward Dependence, RD）最高，坚持性（Persistence, p）最低，当前BMI最高；Cluster 3（混合表型）的精神病理学负担最重，伤害回避（Harm Avoidance, HA）和坚持性最高，奖赏依赖最低，童年虐待和应激事件暴露率最高；Cluster 4（年长混合表型）年龄最大、起病最晚、病程最长，新颖寻求最低，未缓解比例最高。3.3 监督学习比较：XGBoost用相同19个特征预测DSM-5诊断的平衡准确率为66.1%，而预测RSC聚类标签的平衡准确率达92.4%；当仅使用四种进食障碍特异性特征（追瘦、贪食、体像不满、体力活动）时，准确率分别降至59.6%和54.4%，表明聚类标签的高可预测性部分源于特征空间与聚类目标的结构一致性。

在讨论部分，研究人员指出，两个与DSM-5诊断高度对应的聚类支持现有分类工具的临床有效性；而两个诊断混合聚类则揭示了超越诊断类别的跨诊断维度。Cluster 3的创伤暴露与精神病理学严重程度提示情感调节障碍和人际功能受损可能是贯穿各诊断亚型的共同机制；Cluster 4则反映了疾病慢性化与诊断固化的过程，可能对应长期病程中症状的累积演变或分类诊断对纵向轨迹的截断面记录。这些发现强调，不同表型可能需要不同的治疗策略：诊断一致的患者可能适合针对特定诊断的干预，而混合复杂表型可能需要整合情感调节、认知灵活性和创伤处理的多模式治疗方案。研究还指出，样本仅有女性、缺乏随访数据、使用自我报告工具等局限，未来需在独立样本中验证。最后，研究结论部分可翻译为：近年来，机器学习取得了显著进展，为包括进食障碍在内的许多领域提供了新前景。尽管有这些承诺，现有应用于这些临床人群的机器学习方法仍较为零散。值得注意的是，许多现有研究仍固守传统诊断标签，更少有人充分探索无监督方法。在本文中，研究人员将RSC应用于一个大型女性进食障碍患者队列，依赖自我报告和临床变量。这一方法产生了四个稳健且临床上可解释的聚类。其中两个与DSM-5原型诊断一致，支持其经验有效性；但另外两个揭示了以更大精神病理学负担、更长病程或创伤暴露为特征的诊断混合型谱。这些发现强调了无监督方法在揭示可能超越传统分类边界的内在表型结构方面的价值。从临床角度看，研究结果提示，符合分类学特征的患者可能受益于针对性干预，而具有复杂或重叠特征的患者可能需要更综合、更灵活的治疗策略。总体而言，这项工作展示了数据驱动表型分型如何促进对进食障碍进行更细致、更分层的理解，最终有助于开发个性化和可扩展的护理模式。