基于机器学习的注意力缺陷多动障碍风险预测研究

摘要

目的 探讨基于机器学习算法对儿童注意力缺陷多动障碍(ADHD)预测的可行性。方法 回顾性分析我院于2022年11月至2023年8月儿科门诊就诊患者358例，其中ADHD患儿119例，非ADHD患儿239例，以人口学基本信息、儿童个人生活情况、母亲孕期情况、家庭生活情况及遗传因素等31个变量作为危险因素，采用单因素分析筛选出具有明显差异的变量，然后分别建立决策树模型、随机森林模型、自适应提升算法及K近邻算法模型，采用受试者工作特征(ROC)曲线的面积(AUC)、特异度、准确性、F1分数及ROC曲线等进行模型预测效能评估。结果 4种机器学习算法建立的ADHD的预测模型以随机森林算法最优，其AUC为0.955,特异度、准确性、F1分值分别为0.903、0.898、0.853;同时，根据随机森林模型筛选出的前五位特征变量为：教育方式、情绪稳定情况、每日看电子产品时长、学习困难情况、近期反复呼吸道感染。结论 初步构建出基于机器学习算法建立儿童ADHD的预测模型，该模型对ADHD有良好的预测能力。

关键词

注意力缺陷多动障碍 / 危险因素 / 机器学习 / 预测模型 / 儿童