神经性贪食症BN和酒精使用障碍AUD都具有突发性行为特征，对健康影响也很大，治疗效果不理想。就地适应干预(JITAI)是一种提升治疗效果的新策略，但现有研究效果不佳，样本量小，变量类型单一，未考虑社会环境因素，缺乏模型评估。

机器学习(ML)可帮助建立自适应模型。研究比较个人定制模型与整体池化模型在这方面的效果。此研究旨在预测神经性贪食症(BN)和酒精使用障碍(AUD)患者日常生活中的过度饮食(BE)、饮酒和过量饮酒(BD)行为。

本研究收集了韩国首尔医院634个家庭，共计2104名成员的数据，其中641名被诊断为自闭症。所有受试者都经过临床专家诊断确证。利用Illumina平台对所有受试者进行全外显子测序。利用Agena MassARRAY技术对重要位置进行定量分析。将各受试者的测序数据和臨床资料导入Hail软件进行变异调用及功能注释。

图 1.体验采样方法协议

表 1.体验抽样方法问题

接着，作者利用STRling软件检测已知和新型STR扩增，根据支持读镶计数判断扩增等位基数。利用Hail软件检测拷贝数变异和短变异，剔除通量低于阈值和Homopolymer变异。然后利用Hail软件对深度、映射率等指标进行质控，排除不符合标准的数据。

图2.嵌套交叉验证

统计分析上，采用SPSS软件进行χ2检验、Logistic回归分析检验各因素对ASD风险的影响。对于验证，采用分层单个重复、DBSCAN算法等方法，进一步验证异常扩增调用结果。

表 2.样本特性

样本包括48例神经性贪食症患者、43例酒精使用障碍患者和13例兼有神经性贪食症和酒精使用障碍的患者。使用体现学习方法对随事件收集数据进行人体模型和整体模型的建设与评估。

表 3.模型性能

图3.模型性能

结果显示，预测模型的性能从差到出色不等，与之前研究预测健康个体行为的结果相当或略优。整体模型对烘饼和饮酒的预测性能较佳。

图4.模型预测变量

重要的预测因素包括毒瘾、工作场景、时间点和曾展现的行为等。

总的来说，研究表明，预测模型在个案管理中的应用前景广阔。但预测准确率有待提高。此外，预报阳性概率值高于阴性概率值也需要进一步研究。

文献出处：

Leenaerts N, Soyster P, Ceccarini J, Sunaert S, Fisher A, Vrieze E. Person-specific and pooled prediction models for binge eating, alcohol use and binge drinking in bulimia nervosa and alcohol use disorder. Psychological Medicine. Published online 2024:1-16. doi:10.1017/S0033291724000862