基于可解释机器学习的神经性厌食症短期体重恢复预测模型构建及关键影响因素分析

针对神经性厌食症(AN)治疗资源有限且疗效预测困难的临床痛点，意大利研究团队采用6种监督机器学习算法（含随机森林等），基于72名住院患者的心理量表与生理参数数据，构建了预测短期体重恢复的二元分类模型（准确率0.77）。研究发现身体不适感(BUT)、人际问题(EDI3-IPC)和人格疏离(EDI3-PA)是核心预测因子，为开发虚拟现实身体置换等新型干预手段提供了数据支持，对优化AN精准治疗具有重要临床价值。

　　

神经性厌食症(Anorexia Nervosa, AN)作为死亡率最高的精神疾病之一，其治疗面临双重困境：一方面患者数量持续攀升（新冠疫情后住院率激增48%），另一方面传统疗法效果有限——即便经过20-30年病程，仍有19-26%患者符合诊断标准。更严峻的是，现有治疗资源分配缺乏精准指导，临床决策往往依赖经验判断。这种背景下，意大利天主教圣心大学心理学系联合IRCCS Istituto Auxologico Italiano的研究团队独辟蹊径，将可解释机器学习技术引入AN疗效预测领域，其成果发表于《Journal of Eating Disorders》。

研究团队从临床痛点出发，提出两个关键科学问题：能否建立预测AN住院患者短期体重恢复的可靠模型？哪些心理生理因素最能预示治疗成功？为解决这些问题，研究者创新性地采用多维度数据融合策略，整合身体不适感测试(BUT)、进食障碍量表(EDI-3)等7类心理量表和生物电阻抗分析(BIA)等生理指标，构建包含52个特征的预测体系。通过72名AN住院患者（68女性/4男性，BMI≤17 kg/m²）的前瞻性队列数据，研究采用重复分层K折交叉验证等严谨方法确保小样本可靠性。

技术方法上，研究首先通过K最近邻算法处理缺失值，采用方差膨胀因子(VIF<10)排除多重共线性。随后比较决策树(DT)、随机森林(RF)等6种算法性能，最终选择经贝叶斯优化的RF模型（测试集AUC-ROC 0.72）。创新性应用SHAP值解析和特征重要性排序双重验证，揭示核心预测因子。所有分析均通过Python 3.10完成，严格遵循机器学习报告规范。

研究结果呈现三大发现：

1. 模型性能验证：随机森林在测试集表现最优（准确率0.77，PR曲线0.88），对体重稳定/增加群体识别精准（召回率0.94），但对体重下降组特异性较低（0.33），反映AN治疗反应的复杂性。

2. 关键预测因子：特征重要性分析显示，身体不适感测试中的阳性症状总分(BUT-PST)权重最高（0.15），其次为EDI-3的人格疏离(PA)和人际问题复合分(IPC)。SHAP分析进一步证实，入院BMI与心理困扰程度存在非线性关联——中度BMI（14-16 kg/m²）患者对心理特征变化更敏感。

3. 亚型差异解析：暴食/清除型AN患者中，完美主义关注错误(FMPS-CM)的预测价值显著高于限制型，而两种亚型共享BMI和体细胞标记物（如相位角）作为基础预测器。

讨论部分指出，该研究首次通过可解释AI技术揭示身体-自我体验在AN治疗中的核心地位。传统营养干预的局限性在此得到数据印证——BUT量表的预测优势说明，单纯体重恢复可能无法解决深层的身体解离。这为新兴技术如虚拟现实身体交换疗法提供了理论依据：当患者在虚拟环境中" inhabiting"正常体重化身时，能重建被AN破坏的体感整合。同时，人际问题(IPC)的预测价值支持将家庭治疗与元宇宙社交训练结合，针对性地改善患者的社会认知偏差。

研究的临床意义在于：①建立首个整合心理生理多模态指标的AN疗效预测工具，使有限医疗资源向应答概率高的干预措施倾斜；②突破传统统计分析的局限，通过机器学习发现BMI与心理特征的交互效应；③为开发靶向身体体验的数字化疗法（如再生虚拟疗法RVT）提供循证依据。未来研究需扩大样本验证模型泛化能力，并探索将预测模型嵌入临床决策支持系统的可行性。

这项研究标志着精神疾病治疗预测从经验医学向数据驱动医学的范式转变。正如作者Giulia Brizzi强调的，机器学习不是要替代临床判断，而是为揭示"那些我们尚未意识到的关联模式"——当算法照亮AN治疗的黑箱，或许能帮助更多患者打破" allocentric lock"的桎梏，重获身心统一的自由。