刘笑晗 陈明隆 郭 静

机器学习在儿童创伤后应激障碍识别及转归预测中的应用*

刘笑晗 陈明隆 郭 静

(北京大学公共卫生学院, 北京 100191)

创伤后应激障碍(PTSD)会给儿童发展带来负面效应, 其影响甚至延续至成年期。然而传统诊断方式难以做到快速、客观、准确的识别和诊断儿童PTSD, 机器学习作为一种处理大量变量和数据的新兴方法, 逐渐被应用到儿童PTSD的早期预测、识别及辅助诊断等研究中。机器学习凭借其性能、原理等方面的优势, 可被应用在儿童PTSD的识别与转归领域。相比自我报告式的诊断, 通过机器学习辅助识别和诊断儿童PTSD的过程具有效率高、客观准确、节约资源等独特优势。然而, 机器学习也在硬件成本、算法选择和预测准确度等方面存在局限性。未来研究人员需要进一步提高机器学习诊断识别儿童PTSD的准确率, 并将机器学习算法同传统诊断方法结合进行更多的探索和应用。

机器学习, 创伤后应激障碍, 转归预测, 儿童

1 引言

创伤后应激障碍(Post-Traumatic Stress Disorder PTSD)是个体经历、目睹或遭遇到一个或多个威胁生命或造成严重伤害事件后所出现和持续存在的警醒、负向情绪、回避等精神症状(Weathers et al., 2013)。儿童PTSD具有较高流行率：据估计, 10%～20%的儿童在经历创伤性事件后, 会出现警醒、回避、负向情绪等创伤后应激障碍症状(Post-Traumatic Stress Symptoms PTSS) (Alisic et al., 2014)。儿童PTSD的发展结局具有异质性：一项综述研究提示, 灾难发生一个月后儿童PTSD发生率在21%, 3个月后降至15%, 一年后保持在11% (Hiller et al., 2016), 并且罹患PTSD的患者在疾病的后续阶段中会出现6%恢复、10%恶化或4%长期患病等不同结局(Bryant et al., 2015), 意味着儿童PTSD的发生与转归会随着环境、时间等因素发生动态变化。……