基于机器学习的ADHD青少年品行障碍共病临床特征分类研究

《Brain and Behavior》：Machine Learning–Based Classification of Conduct Disorder Comorbidity in Youth With ADHD

　　

目的：整合统计与机器学习方法，识别注意缺陷/多动障碍（attention-deficit/hyperactivity disorder, ADHD）青少年中与品行障碍（conduct disorder, CD）共病相关的临床特征。
方法：共纳入138名11–18岁青少年（100名ADHD；38名ADHD+CD），采用多维度社会人口学与心理测量指标进行评估，共分析99个变量。特征选择与分类分析采用χ²和最小冗余最大相关性（minimum-redundancy maximum-relevance, mRMR）方法，并结合监督式机器学习模型，包括逻辑回归（logistic regression）、支持向量机（support vector machine, SVM）、决策树（decision tree）、随机森林（random forest）、梯度提升（gradient boosting）和人工神经网络（artificial neural network）。模型性能以准确率、召回率、特异度和受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）进行评估。
结果：低母亲教育程度、纪律性惩罚、学校缺勤、无药期、同伴吸烟与违法行为、家族犯罪史、躯体虐待及较晚的ADHD诊断（≥12岁）始终是CD相关的关键因素。在探索性比较中，Top-20 SVM在评估配置中观测到最高的准确率和F₁-score（准确率=0.87；AUC=0.90；F₁-score=0.71），具有高特异度和中等敏感度；未预先指定单一模型选择指标。
结论：这些发现表明，机器学习能够识别ADHD青少年中与CD共病相关的临床特征。此类方法可辅助全面的临床评估，但不应被解释为预测未来CD发展的工具。

注意缺陷/多动障碍（attention-deficit/hyperactivity disorder, ADHD）是最常见的神经发育障碍之一，常共病品行障碍（conduct disorder, CD），使青少年出现更严重的攻击行为、治疗反应差及长期预后不良。CD的发生涉及生物脆弱性与家庭、环境应激的复杂交互，传统统计方法难以充分建模此类高维非线性关系。机器学习（machine learning, ML）为处理多维预测结构提供了数据驱动框架，然而以往在ADHD人群中基于ML识别CD共病风险特征的研究仍较少。为此，研究人员开展了本研究，旨在整合临床量表与社会人口学变量，结合统计和ML方法，探索ADHD青少年中与CD共病相关的可解释临床特征。

研究经Erciyes大学医学院伦理委员会批准，在儿童青少年精神科门诊连续招募11–18岁青少年，最终纳入138名（100名ADHD-only，38名ADHD+CD），采集99项社会人口学、临床和心理测量变量。关键预测因子在不同分析方法中反复出现：低母亲教育程度、纪律性惩罚、学校缺勤、无药期、同伴吸烟与违法行为、家族犯罪史、躯体虐待、较晚ADHD诊断（≥12岁）、婴儿睡眠问题和语言迟缓史。在ML模型比较中，Top-20支持向量机（support vector machine, SVM）在探索性条件下表现出最高的观测准确率（0.87）和F₁-score（0.71），AUC达0.90，提示ML可识别与CD共病相关的临床特征，但不宜作为独立预测工具。

关键技术方法：研究使用多维心理测量工具（如ICU、童年创伤问卷、SCL-90等）和结构化社会人口学问卷评估个体、家庭及同伴领域；特征选择采用卡方检验（χ²）与最小冗余最大相关性（minimum-redundancy maximum-relevance, mRMR）；分类模型包括逻辑回归、SVM、决策树、随机森林、梯度提升和人工神经网络六种；采用分层五折交叉验证，并以准确率、精确率、召回率、F₁-score和AUC评估性能。样本来源为Erciyes大学儿童青少年精神科门诊。

### 描述性比较

与ADHD-only组相比，ADHD+CD组中较晚ADHD诊断（≥12岁）比例更高（36.8%对16%，p=0.008）、无药期比例更高（81.5%对55%，p=0.013）、母亲小学教育比例更高（73.7%对31%，p<0.001）、父亲小学教育比例更高（60.5%对34%，p=0.003）、家族犯罪史（15.7%对1%，p<0.001）、同伴吸烟（42.1%对14%，p<0.001）、学校缺勤（47.3%对12%，p<0.001）及纪律性惩罚（60.5%对17%，p<0.001）均显著更高。CD共病与家庭、同伴和学校相关环境因素关联更密切，而非基本人口学特征。

### 3.1 机器学习分析

通过χ²、mRMR和SHAP三种方法分析CD预测因子，母亲教育在所有方法中均排名靠前；学校缺勤和纪律性惩罚在统计分析和基于模型的分析中均位居前列；同伴吸烟和家族犯罪史在多种方法中进入高排名；婴儿睡眠问题和语言迟缓史在mRMR与SHAP分析中较为突出；无药期和较晚ADHD诊断（≥12岁）至少出现在一种分析方法的高排名中。各方法的排名位置见原文图1。

### 3.2 机器学习模型性能

在30种配置（5种特征子集×6种模型）的探索性比较中，Top-20 SVM具有最高的观测准确率（0.8696）和F₁-score（0.7097），AUC为0.8989；Top-30 SVM具有最高AUC（0.9150）。Top-20 SVM的混淆矩阵显示高特异度（100例ADHD-only中正确分类98例）和中等敏感度（38例ADHD+CD中识别22例）。Bootstrap 5000次重抽样得到特异度95% CI 0.95–1.00，准确率95% CI 0.81–0.92，但敏感度CI较宽（0.42–0.74），F₁-score CI为0.56–0.83。模型使用较小的高重要性特征子集时，F₁-score往往优于使用全部99个变量的模型。

讨论指出，母亲教育水平低可能反映社会经济劣势与养育策略不足，构成CD的远端风险；纪律性惩罚和学校缺勤既可能是行为问题的早期表现，也可能放大行为恶化；无药期和延迟诊断提示治疗中断或未管理的冲动症状持续时间更长；同伴吸烟、家族犯罪史和躯体虐待与攻击性和共情受损相关；婴儿睡眠问题和语言迟缓可能代表早期自我调节脆弱性。ML模型的高特异度有利于识别非CD个体，但敏感性中等，故不能作为独立筛查工具，而应作为全面临床评估的补充。SHAP分析增强了模型透明度，χ²、mRMR与SHAP结果的收敛支持特征一致性。局限性包括单中心设计、样本量较小、缺乏外部验证、特征选择可能引入乐观估计，且横断面设计无法进行因果推断。

研究结论：将统计分析与机器学习相结合，为识别ADHD青少年中与CD共病相关的临床特征提供了一个结构化且可解释的框架，同时强化了全面临床评估的核心作用。