随着临床和生物大数据的极大丰富,机器学习技术通过结合多方面的信息以预测个体的健康结局,在科研及学术论文中应用日益广泛,但关键信息报告的不足也逐渐显现,包括数据偏倚、模型对不同群体的公平性、数据质量和适用性问题,以及在真实临床环境中保持预测准确性和可解释性的难度等,增加了将预测模型安全有效地应用于临床实践的复杂性。针对这些问题,多变量预测模型个体预后或诊断的透明报告(transparent reporting of a multivariable prediction model for individual prognosis or diagnosis,TRIPOD)+人工智能(artificial intelligence,AI)声明在TRIPOD的基础上提出了针对机器学习模型的报告规范,以提升模型的透明性、可重复性和健康公平性,从而改善机器学习模型的应用质量。当前,国内基于机器学习技术的预测模型研究日益增多。为帮助国内读者更好地理解和应用TRIPOD+AI,笔者结合实例对其进行了解读,希望为研究人员报告质量提升提供支持。
目的了解汶川大地震后3个月重灾区中学生的心理状况。方法选取汶川大地震重灾区3所中学共38个班级的1966名学生，采用创伤后应激障碍（post-traumatic stress disorder，PTSD）症状清单平民版筛查PTSD阳性，同时采用领悟社会支持量表（perceived social support scale，PSSS）判断领悟社会支持程度。结果共收回有效问卷1958份。PTSD筛查总阳性率为78．29％（1533／1958）。女生FFSD阳性率为82．30％（851／1034），高于男生[73．92％（683／924），χ2=20．22，P〈0．01]；少数民族学生PTSD阳性率为80．27％（1375／1713），高于汉族学生[64．98％（154／237），χ2=28．75，P〈0．01]；农村学生PTSD阳性率为83．52％（872／1044），高于城镇学生[72．43％（662／914），χ2=35．37，P〈0．01]；地震中受伤者PTSD阳性率为90．38％（94／104），高于未受伤者[77．66％（1439／1853），χ2=9．40，P〈0．01]。研究对象领悟家庭内支持和领悟社会支持总体程度较高，得分中位数分别为21分和60分，领悟家庭外支持处于中等水平，得分中位数为39分。研究对象PTSD严重程度与总体领悟社会支持、领悟家庭内支持、领悟家庭外支持的得分之间存在线性负相关（r值分别为-0．191、-0．130、-0．190，P值均〈0．01）。结论重灾区中学生灾后PTSD阳性率高，且不同特征学生症状与严重程度不同，良好的社会支持能减少PTSD的发生。
暂无评论