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

摘要

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。

关键词

抽动障碍 / 机器学习 / 风险预测模型 / 特征选择 / 儿童