| 17 | 0 | 18 |
| 下载次数 | 被引频次 | 阅读次数 |
目的：构建并验证儿童抽动障碍（tic disorders, TD）风险预测模型，为早期识别儿童抽动障碍提供依据。方法：采用病例对照设计，纳入336例TD患儿（TD组），168例健康体检儿童（对照组）。初筛28个变量，经单因素分析和LASSO筛选后保留21个变量。采用5种机器学习算法构建模型，通过10折交叉验证评估性能。结果：XGBoost模型曲线下面积（area under curve,AUC）最高0.898,LDA模型综合性能最优（准确度0.853,F1分数0.857）。特征重要性分析显示，家族抽动障碍史、母亲流产史和孕期不良生活史是最重要的预测变量。多因素Logistic回归分析进一步确认上述变量与TD的独立相关（均P<0.05）。结论：本研究基于机器学习构建的TD风险预测模型表现良好，关键预测因素涉及遗传、围产期及环境因素，可作为儿童抽动障碍早期筛查工具。
Abstract：[1]于潇璐，周荣易，谢新月，等.儿童抽动障碍共患强迫障碍研究进展[J].中国医药，2025,20(7):1111-1115.
[2]韩瑞泽，朱星璇，董雪.小儿抽动症研究现状[J].吉林医学，2024,45(9):2212-2214.
[3]段彩灵，周雪，刘丽君，等.孤独症谱系障碍和注意缺陷多动障碍共患与鉴别[J].中国儿童保健杂志，2025,33(11):1233-1239.
[4]陈文雄，刘欢.儿童抽动障碍的诊断与评估[J].中国实用儿科杂志，2025,40(4):298-302.
[5] JOY D,KIMD J,HWANGK S,et al. Meta-anlaysis of Internet-based behavior therapy for tic disorder[J]. Clin Psychopharmacol Neurosci,2025,23(3):453-466.
[6] GUO W J,LIU J,DONG F,et al. Review of machine learning and deep learning models for toxicity prediction[J]. Exp Biol Med(Maywood),2023:15353702231209421.
[7] XU J,CHEN T,FANG X X,et al. Prediction model of pressure injury occurrence in diabetic patients during ICU hospitalization—XGBoost machine learning model can be interpreted based on SHAP[J]. Intensive Crit Care Nurs,2024,83:103715.
[8] SUHH W,YOONS I,HONG S,et al. How do children with Tourette’s syndrome and their caregivers live with the disorder A systematic review of qualitative evidence[J]. Front Psychiatry,2022,13:992905.
[9]姜妍琳，王俊宏，李佳琳，等.中国儿童抽动障碍患病风险预测评分系统构建：基于Meta分析及外部验证[J].中国儿童保健杂志，2024,32(10):1128-1134.
[10]顾育境.宁夏地区某医院抽动障碍影响因素的相关性研究[D].银川：宁夏医科大学，2024.
[11]叶秀娟，王小燕，刘桂华，等.抽动障碍儿童主要照顾者家庭坚韧力及影响因素研究[J].中华护理教育，2021,18(3):279-284.
[12] ZHANG T Y,BRANDER G,ISUNG J,et al. Prenatal and early childhood infections and subsequent risk of obsessive-compulsive disorder and tic disorders:anationwide,sibling-controlled study[J]. Biol Psychiatry,2023,93(11):1023-1030.
[13]梁翔宇，吴振起，王子，等.儿童抽动障碍风险预测模型的建立与评价研究[J].中国实用儿科杂志，2024,39(8):620-625.
[14]刘芳，王华倩，牛萍，等.基于机器学习的抽动障碍共患注意缺陷与多动障碍的风险评估模型研究[J].武汉大学学报（医学版），2025,46(10):1247-1253,1281.
[15] XIANG W T,ZHU G,HOU Y C,et al. Development and validation of an interpretable machine learning model for predicting tic disorders and severity in children based on electroencephalogram data[J]. IEEE Trans Neural Syst Rehabil Eng,2025,33:2416-2427.
[16] PAULUS T,SCHAPPERT R,BLUSCHKE A,et al. Questioning the definition of Tourette syndrome-evidence from machine learning[J]. Brain Commun,2021,3(4):fcab282.
基本信息:
DOI：10.19767/j.cnki.32-1412.2026.03.009
中图分类号:R749.94
引用信息:
[1]范亚丽,董梦琳,徐利琴,等.基于机器学习的儿童抽动障碍风险预测模型的性能评估与特征分析[J].交通医学,2026,40(03):269-274.DOI:10.19767/j.cnki.32-1412.2026.03.009.
2025-11-04
2025
2026-03-13
2026-03-26
2026
1
2026-06-20
2026-06-20