进食障碍，故名思义，是指以进食行为异常、对食物及体重和体型的过分关注为主要临床特征的一组疾病。神经性厌食的主要特征是患者用节食等各种方法有意地造成体重过低，拒绝保持最低的标准体重；而神经性贪食的主要特征是反复出现的暴食以及暴食后不恰当的抵消行为，比如暴饮暴食以后又过度运动等。
目前为止，我们对于进食障碍的预测能力还是很有限，这是由于进食障碍相关的精神疾病的临床结果在严重程度和慢性程度上差异很大。机器学习方法的复杂性模型可以优化预测多方面的精神病学行为。然而，许多精神疾病的调查并没有利用机器学习模型改善预后。
来自美国斯坦福大学的研究者们进行了一个研究，首次将机器学习方法(弹性净正则化逻辑回归)与传统回归进行了纵向预测结果的比较。研究包括了患有不同种类的进食障碍的女性，实验持续了三年。刚开始实验被试为415人。第1年还剩320人，第2年共有277完成了人口和精神病学评估。研究在纵向预测1年和2年的诊断、暴饮暴食、补偿行为和体重过轻的体脂率等方面，比较了弹性网络和传统逻辑回归模型的结果。
AUC为模型衡量的指标，AUC值越接近1，模型效果越好。逻辑回归模型的平均AUC 为0.67，与这个结果相比，弹性网络模型在第1年和第2年的所有结果具有更高的准确性，曲线下平均面积AUC 值为0.78。当去除掉最重要的预测因子，或者采用另一种算法（比如随机森林）时，模型还是保持着较好的预测水平。进食障碍的重要预测因素有：起初对于进食障碍的诊断、精神病史（如是否住过精神病院）和人口统计学（如民族）特征。
结果发现，机器学习算法可以对于两年内发病的进食障碍症状进行预测，并且可以识别重要的预测因素。机器学习算法在预测复杂结果方面的卓越准确性表明，这些方法可能最终对治疗严重精神疾病的精准医疗做出巨大贡献。
参考文献：
Haynos AF, Wang SB, Lipson S, Peterson CB, Mitchell JE, Halmi KA, Agras WS, Crow SJ.Machine learning enhances prediction of illness course: a longitudinal study in eating disorders.Psychol Med. 2020 Feb 28:1-11. doi: 10.1017/S0033291720000227. [Epub ahead of print]
网友评论