Same-wave cross-sectional risk stratification for parent-reported current anxiety among US children with ADHD who received behavioral treatment: development in the 2023 NSCH and evaluation in the 2024 NSCH
本研究利用2023年全美儿童健康调查数据开发并验证了简约回归模型，用于对接受行为治疗的美国ADHD儿童中由家长报告的当前焦虑情况进行分类，并在通过2024年独立样本进行评估时，展示出较好的判别能力以及优于机器学习方法的校准度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在儿童健康领域，注意缺陷多动障碍（简称 ADHD）是一种广为人知的状况，它会影响儿童的注意力集中和冲动控制能力。患有 ADHD 的儿童往往还承受着其他的心理负担，例如焦虑——这是一种持续的担忧或恐惧状态。虽然医生通常会针对 ADHD 本身进行治疗（例如通过教授应对技巧的行为策略），但伴随而来的焦虑可能会被隐藏或未得到治疗。这是一个值得关注的问题，因为焦虑会改变儿童的感觉和功能，并且通常需要其自身的专门关注。医疗系统的挑战在于，如何识别出那些即使已经在接受 ADHD 治疗、但也正处于焦虑困扰中的儿童，以便将他们引导至正确的支持渠道。
一组研究人员致力于开发一种工具，利用来自美国全国性大规模调查的数据来帮助识别这些儿童。他们专门针对 6 至 17 岁之间已被诊断为 ADHD 并在过去一年内接受过行为治疗的儿童。其目标并非预测儿童未来是否会产生焦虑，而是旨在根据家长已经提供的信息，创建一个能够对儿童当前是否正在经历焦虑进行分类的“快照”。为此，研究人员收集了 20 个不同因素的信息，范围涵盖从儿童年龄、家庭收入到睡眠习惯、是否遭受过欺凌以及父母的心理健康状况等。他们利用这些信息构建了四个不同的数学模型，这些模型本质上是旨在权衡这些因素并估算焦虑可能性的规则集。
研究人员首先利用 2023 年收集的数据构建了这些模型。他们对这些模型进行了相互测试，以观察哪些模型最擅长将儿童分为“可能存在焦虑”和“不太可能存在焦虑”两组。然后，为了确保这些模型不仅仅是偶然在 2023 年的数据中表现良好，他们固定了规则，并将这些规则应用于 2024 年的一组全新的家庭调查对象。这组人是不同的人群，且是在一年后进行的调查，这作为一个严格的测试，用以验证这些模型是否能在现实世界中发挥作用。结果显示，依赖标准统计方法的简单模型表现得与计算量巨大的复杂机器学习模型一样出色。事实上，复杂的机器学习模型表现反而较差，其生成的预测过于极端且不够可靠。
当研究人员查看数据时，他们发现研究中大约有一半观察到焦虑数据的儿童目前正经历着焦虑。基于 2023 年数据开发的模型能够以中等程度的准确性，识别出 2024 年组别中存在与不存在焦虑的儿童。表现最好的模型在大约 100 例病例中能正确识别出约 72 例焦虑的存在或缺失。更重要的是，这些模型经过了良好的校准，这意味着它们分配给儿童的概率与该组中实际观察到的焦虑率相匹配。相比之下，复杂的机器学习模型往往会高估某些儿童的风险，同时低估另一些儿童的风险，从而使其预测的可靠性降低。
这项研究明确指出，这些模型并不是医生可以用来告诉家长“您的孩子肯定患有焦虑症”的诊断工具。相反，它们是旨在将儿童进行风险分组的研究工具。它们通过观察某一特定时刻的信息来运作，使用的是家长提供的关于孩子当前状态的相同信息。由于数据来自单次调查，即家长在同一时间回答关于孩子行为和心理健康的问题，因此这些模型无法证明其中一件事是另一件事的原因。它们仅仅展示了哪些因素的组合在当前患有焦虑的儿童中最为常见。
最终，研究人员发现，使用回归模型的直接方法足以应对这项任务。这些模型提供了一个平衡的视角，既能正确识别需要进一步关注的儿童，又不会像复杂的算法那样不稳定。研究表明，对于这部分已经在接受治疗的 ADHD 儿童群体，简单的工具可能在标记那些同样需要焦虑支持的孩子方面更为有效。然而，作者强调，这些发现只是一个起点。在将此类工具用于临床以指导现实世界的决策之前，需要对其在不同环境下的应用进行测试，检查其在不同人群中的公平性，并评估使用该工具是否确实能带来更好的结果。目前，这项工作是一次利用大规模国家级数据构建和测试风险分层工具的谨慎演示，凸显了简约性的价值，以及在将这些发现应用于研究之外领域时保持谨慎的必要性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。