评估体重指数变化作为厌食症的厌食症恢复的代理：机器学习观点

将BMI用作唯一的治疗效果措施，需要仔细检查。从实际的角度来看，基本原理似乎是基础的：在严重的情况下（这项研究中的平均入院BMI = 14.13），在短暂的住院期（约35天）内保持体重或在较小的情况下取得较小的收益可以代表有意义的临床里程碑。以前的发现表明，在体重极低的患者中，短期稳定可能是一个适当的近端目标[2，，，，3]。

但是，将BMI稳定性（αBMI= 0）等同于治疗成功可能会过多地简化恢复的复杂性。尽管体重恢复确实是治疗的关键组成部分，但它并不包含更广泛的恢复心理，行为和功能维度。例如，两名BMI收益相似的患者在认知僵化，对体重增加，社交功能或身体形象扰动因素的恐惧中可能有很大差异，这些因素会严重影响长期预后[4]。

此外，在这项研究中观察到的BMI变化的实际幅度（平均差异= 0.35）在临床上是适度的，体重增加约为1 kg。这引起了人们对这种变化是否足够强大以反映真正的治疗反应或代表自然波动或水合变化的担忧。此外，对强调持续的心理和行为改善的一些观点，包括减少对食物的关注，改善情绪调节以及增强社会重新整合的视为的关键标志，作为康复的关键标志[5，，，，6]。唯一依赖基于体重的分类省略了这些领域，这可能导致高估治疗功效或无法检测到部分响应者。另一个限制是缺乏放电后随访数据。

尽管作者坦率地承认这一点，但它仍然限制了预测模型指导长期结局的效用。7]。因此，将短期歧视作为成功治疗的代理可能无法完全捕获有意义的恢复轨迹，并且未来的模型应旨在整合多维结果，例如心理测定或复发率。

将机器学习应用于饮食失调治疗的机遇和挑战

Brizzi等人将ML方法纳入饮食失调研究中，与更广泛的数据驱动医学相一致。与传统假设驱动的统计数据相反，ML在高维变量之间捕获复杂的非线性相互作用[8]。作者适当地采用了交叉验证，高参数调整和类分层，以确保鲁棒性和概括性，这在小型临床数据集中至关重要。该绩效指标尤其是对改进案例进行分类的高召回率（94％）和精度（79％）表明了对临床效用的希望。

值得注意的是，该研究还通过整合Shapley添加说明（SHAP）来解释个人级别的预测，从而包含了可解释的人工智能（XAI）的不断增长的领域。这是朝着透明度和用户信任的值得称赞的举动，这是人工智能模型临床接受的两个关键因素。Shap使临床医生能够看到哪些功能对给定的预测有最大的贡献，从而增强了模型的解释性并减少了在ML应用中经常征收的黑盒批评[9]。

但是，应该突出一些警告。首先，样本量（n= 72）对于高维ML建模而保持相对较小。尽管使用反复分层的K折交叉验证，但有限的样本量限制了模型推广到其他人群的能力，尤其是门诊环境，不同的年龄组或跨文化环境[10，，，，11]。在临床实践中，使用多中心数据进行进一步的外部验证至关重要。12]。

其次，阶级失衡的问题（改善了53次，与19个恶化）提出了另一个方法论问题。不平衡的数据集会偏向模型性能，尤其是特异性[13]。作者指出，恶化类别的特异性仅为33％，这表明该模型难以准确检测有恶化风险的患者。在现实世界中的临床环境中，这种虚假负面因素特别令人不安，因为它们可能会低估干预的需求。

第三，尽管Shap提供了局部解释性，但它本质上并没有赋予因果推理。将变量（例如，身体不安）作为预测的重要特征的识别并不能确定其作为可修改的治疗靶标。因此，将预测性见解转化为可行的治疗建议需要仔​​细的临床验证，理想情况下是前瞻性试验[14]。

最后，将ML模型集成到常规的临床工作流程中仍然是一个重大挑战。模型需要嵌入电子健康记录系统中，并与实时患者数据相连，并以临床医生友好的方式呈现。此外，必须严格解决与数据隐私，法规合规性和算法偏见有关的问题。作者正确地将ML定位为决策支持工具，而不是决策权，这是审慎的立场。

该研究的一个值得注意的优势在于它的重点是心理变量，作为结果的关键预测指标。Scikit-Learn和Shap分析确定的顶级特征包括身体不安测试，饮食失调库存-3子量表，用于个人疏远和人际问题综合。这些结果与良好的发病机理理论相吻合，例如施密特和宝藏的认知互动维护模型，这些模型强调了人际风格和情感失调的作用[15]。

身体不安，是一种多维结构，捕获不满，回避和扭曲的身体形象，始终被认为是AN的核心心理病理学特征。身体形象的障碍不仅与疾病发作有关，而且与治疗效果不佳和复发风险升高有关[16]。因此，人体不安测试作为顶级预测指标的出现支持该结构的理论和临床相关性。它还增强了对身体形象的干预措施的需求，这是住院治疗计划不可或缺的一部分。

将个人疏远和人际困难包括作为预测因素回荡了该领域定性和定量研究的发现。一个患者经常报告与自我和他人的分离感，社会支持低下以及人际交往经历的受限范围[17]。这种特征可能会阻碍治疗性的参与，并有助于维持无序的饮食行为。通过将这些变量识别为短期治疗结果的重要预测指标，该研究增加了以下论点，即心理社会因素不仅是饥饿的epiphenomena，而且是该疾病的组成部分。

但是，该研究并未探讨这些预测因子如何与治疗方式相互作用。例如，身体不安的患者是否对基于虚拟现实的身体形象疗法更敏感？具有较高人际关系问题的个体是否会从组疗法或Maudsley厌食症体验模型中受益更多，再加上基于成人的方法的实时反馈和神经治疗？未来的研究可能会有利可图地检查这种相互作用，不仅可以使用ML进行结果预测，还可以使用ML进行治疗匹配。

Brizzi等。通过将可解释的机器学习应用于预测治疗反应的挑战，做出宝贵的贡献。他们的结果增强了心理维度的临床相关性，尤其是身体形象障碍，个人疏远和人际关系困难，以塑造早期治疗结果。该研究表明，使用ML从小型临床数据集中提取有意义的见解的可行性，同时也强调了透明度和临床相关性在算法设计中的重要性。

尽管如此，仍然存在临界限制。依赖短期BMI作为唯一的治疗结果是一个狭窄的镜头，可以查看恢复。此外，在广泛采用基于ML的工具之前，必须应对诸如类失衡，小样本量，有限的可推广性和临床实施的操作障碍之类的挑战。

展望未来，将ML与纵向，多维成果相结合，以捕捉身体，情感，行为和社会领域。这样的努力将需要跨学科的合作，更大的数据集以及对道德和解释性严格的强调。实际上，这意味着要组装超越BMI和重量记录的数据集，包括标准化心理测量评估（例如，身体形象的测量，影响调节和人际功能），生物学标记物（例如代谢或神经影像数据）以及捕获复发和功能恢复的纵向随访指标[18，，，，19，，，，20]。跨学科的合作应整合临床心理学家，精神科医生，营养师，数据科学家和伦理学家，以确保方法论上的鲁棒性和以患者为中心的相关性。同样重要的是敏感健康数据的透明治理，并具有严格的同意，隐私和公平的协议，以防止算法偏见并保护患者权利[21]。只有这样，ML才能真正实现其作为个性化和优化饮食失调护理的工具的诺言。

一个：

神经性厌食症

BMI：

体重指数

ML：

机器学习

鹏：

接收器操作特征

Shap：

Shapley添加说明

XAI：

可解释的人工智能

Qiqihar大学生命科学与农业林业学院，Qiqihar，161006，中国

1. Tianfei Yu，Haolan Zhang和Yunhan Zhang

   Qiqihar大学食品与生物工程学院，Qiqihar，161006，中国天菲

2. Qiqihar大学计算机与控制工程学院，Qiqihar，161006，中国

   明李

3. 作者

   天菲

Haolan Zhang和Yunhan Zhang进行了分析。

明李为研究的概念和设计做出了贡献。所有作者都阅读并批准了最终手稿。

相应的作者

对应天菲。

道德批准并同意参加

不适用。

同意出版

不适用。

竞争利益

作者没有宣称没有竞争利益。

出版商的注释

关于已发表的地图和机构隶属关系中的管辖权主张，Springer自然仍然是中立的。

开放访问本文在Creative Commons Attribution-Noncormercial-Noderivatives 4.0国际许可下获得许可，该许可允许任何非商业用途，共享，分发和复制以任何媒介或格式的形式，只要您提供适当的原始作者和来源的信用，请符合原始作者和来源，并提供了与Creative Commons的链接，并指示您是否修改了许可的材料。您没有根据本许可证的许可来共享本文或部分内容的改编材料。本文中的图像或其他第三方材料包含在文章的创意共享许可证中，除非在材料的信用额度中另有说明。如果文章的创意共享许可中未包含材料，并且您的预期用途不得由法定法规允许或超过允许的用途，则需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。重印和权限

关于这篇文章