《Acta Psychologica》：Multiple screen addiction and neurological complaints in adolescents: A machine learning-based classification model
编辑推荐：
本研究通过机器学习算法对青少年多屏成瘾状态进行自动化检测与分类，并探究其与头痛、头晕、手部震颤等神经性主诉之间的关联。研究人员采用K近邻、支持向量机、决策树等算法对406名参与者的数据集进行建模，发现KNN算法分类性能最高，且多屏成瘾与多项神经性主诉显著相关。该研究为利用机器学习进行成瘾早期筛查、个性化干预及公共卫生政策制定提供了新思路。
在这个数字设备无处不在的时代，屏幕几乎占据了青少年生活的每一个角落。从智能手机到平板电脑，再到游戏机和电视机，多屏使用已成为常态。然而，这种过度的屏幕暴露背后，潜藏着一个日益严重的公共健康问题——多屏成瘾。它不仅可能导致肥胖、注意力不集中等身心问题，更与一系列令人困扰的神经性主诉紧密相连，例如反复发作的头痛、莫名的头晕、难以控制的轻微手抖、糟糕的睡眠质量以及令人沮丧的健忘。这些症状不仅严重影响青少年的学业表现和社会参与，更可能预示着更深层次的健康风险。
传统的成瘾评估主要依赖量表，但填写过程耗时，且存在理解偏差、敷衍作答等问题，可能导致误判或漏诊。因此，亟需一种更客观、高效的方法来精准识别这一“时代病”。机器学习，作为人工智能的核心分支，能够从复杂数据中自动学习模式并进行预测，为解决这一难题带来了曙光。
在此背景下，来自土耳其萨卡里亚大学健康服务职业学院的研究团队Seda G?ger、Elif Sarica Darol和Süleyman Uzun进行了一项开创性研究，旨在利用机器学习自动检测青少年的多屏成瘾，并揭示成瘾与神经性主诉之间的具体关联。他们的研究成果发表在《Acta Psychologica》期刊上，为这一领域提供了新的方法论和实证证据。
为了开展研究，研究人员运用了多个关键技术与方法。研究采用横断面相关性设计，于2023年11月13日至2024年3月4日期间，在一家培训与研究医院的神经科门诊，面对面收集了406名14至23岁青少年的数据。数据收集工具包括基于文献回顾自行设计的个体描述性表单和由Sar?tepeci开发的多屏成瘾量表。该研究构建了一个包含人口学特征、健康信息及成瘾状态的数据集，并运用了K近邻、集成方法、支持向量机和决策树这四种可解释的分类算法进行模型训练与性能评估。为优化模型并防止过拟合，采用了留出法进行数据集划分，并使用混淆矩阵及准确率、精确率、召回率、F1-分数等指标评估算法性能。此外，研究还通过多元逻辑回归分析对屏幕成瘾与神经症状之间的统计学关系进行了检验。
研究结果如下：
3.1. 多屏依赖混淆矩阵结果
研究通过混淆矩阵直观展示了各算法对“有多屏成瘾”和“无多屏成瘾”两类数据的分类情况。
- •
K近邻算法表现最佳，正确预测了223例“有多屏成瘾”类别中的222例，以及所有183例“无多屏成瘾”类别。
- •
集成算法在“有多屏成瘾”类别上与KNN表现相同，在“无多屏成瘾”类别中正确预测了181例，误判2例。
- •
支持向量机算法正确预测了220例成瘾数据和174例非成瘾数据。
- •
决策树算法表现最差，在两类数据中均有较多误判。
3.2. 多屏依赖性能结果
基于混淆矩阵数值计算的性能指标显示，KNN在准确率、精确率、召回率和F1-分数上均位居榜首，而决策树各项指标最低。通过受试者工作特征曲线进一步可视化确认，KNN的分类性能最高，集成方法次之且接近KNN，SVM和决策树性能相对较差。
3.3. 神经性主诉混淆矩阵结果
研究进一步评估了机器学习模型对五种神经性主诉（头痛、头晕、手部震颤、睡眠问题、健忘）的分类能力。结果显示，对于不同症状，KNN普遍展现出最高的分类性能，而决策树则通常是表现最差的算法。具体数据通过多个表格呈现，例如在头痛分类中，KNN正确预测了183例，错误2例；而在手部震颤分类中，KNN正确预测109例，错误4例。
多元逻辑回归分析结果表明，屏幕成瘾的存在与头痛、睡眠问题和健忘显著相关，其比值比分别为2.31、2.84和1.97。
研究结论与讨论部分强调，多屏成瘾与多种神经性主诉密切相关，而机器学习能有效揭示和分析这种关联。KNN算法在本研究数据集上表现出最高的分类性能，这得益于其对小型、平衡数据集中相似模式个体进行有效分组的能力。相比之下，决策树算法可能因过拟合倾向和对数据中复杂关系泛化能力不足而表现较差。与既往研究相比，本研究的KNN和集成算法取得了更高的准确率。
这项研究的意义在于，它提出了一种评估屏幕成瘾的新方法，有助于识别与成瘾相关的潜在神经症状。这为家庭医生和医疗保健专业人员利用机器学习计算个体成瘾分数、监测成瘾模式并提供个性化建议奠定了基础。研究建议，未来可将人工智能支持的筛查模块整合到数字健康平台和移动健康应用程序中，用于对儿童、青少年等风险人群进行常规监测与早期干预，从而制定针对性的健康计划和公共卫生政策。当然，本研究也存在局限性，例如单中心设计导致结果无法推广到更广泛人群，以及由于相关文献较少，在讨论部分缺乏足够的对比分析。尽管如此，该研究无疑为利用机器学习应对数字时代的成瘾挑战，铺就了一块坚实的基石。
