“少即是多”？一种结合机器学习和心理测量技术的混合方法，通过《儿童行为检查表》来识别中国青少年中具有临床意义的精神病理学特征

《Child and Adolescent Psychiatry and Mental Health》：Less is more? A hybrid machine learning and psychometric approach to identifying clinically relevant psychopathology in Chinese youth using the Child Behaviour Checklist

　　

摘要

目的

在人群层面筛查青少年的精神健康风险时，常常受到资源限制和评估工具繁琐性的制约。本研究旨在开发一套精简且具有良好心理测量学可靠性的儿童行为检查表（Child Behavior Checklist, CBCL）项目子集，以有效预测青少年群体的跨诊断性精神疾病发病率。

方法

数据来源于72,109名6至16岁中国青少年组成的全国代表性样本。通过对整个样本进行初步项目筛选，采用了独特的方差分析、项目间相关性测试以及概念冗余性检查。随后，使用一个嵌套的病例对照子集（约4,500名有诊断结果的人和5,000名没有诊断结果的人）来进行特征选择。接着对这一嵌套子集应用递归特征消除和重复交叉验证方法，得到了三组项目集（分别包含35项、69项和98项）。这些项目集通过探索性图分析和验证性因子分析在来自整个数据集的按年龄和性别分层的两个样本中进行了心理测量学评估。预测性能通过五种机器学习算法进行了评估，这些算法在嵌套病例对照数据的70/30分割样本上进行训练和测试。

结果

包含35项和60项的项目子集均实现了较高的诊断准确性（AUC = 0.88–0.89），其表现与表现最佳的大型项目子集相当。这些项目涵盖了包括功能性躯体症状、神经发育失调、情感-社交退缩、威胁敏感性、认知-感知障碍以及抑制缺失-易激惹外化行为在内的跨诊断维度。

结论

精简后的CBCL项目集展现了强大的诊断实用性和良好的心理测量学特性。这一可扩展的工具支持在人群层面进行跨诊断性的、数据驱动的青少年精神健康风险筛查。