利用可解释机器学习预测身体畸形障碍的治疗反应

身体畸形障碍（BDD）是一种高度流行且经常被漏诊的疾病，其特征是对感知到的身体外观缺陷持续、侵入性的执念。在这项扩展分析中，我们采用多种机器学习方法来预测治疗结果——具体而言是治疗反应和缓解——并强调可解释性以确保临床相关性和实用性。在所考察的各种模型中，治疗可信度成为最强的预测因子，超越了基线症状严重程度或共病等传统指标。值得注意的是，虽然较简单的模型（如逻辑回归和支持向量机）取得了具有竞争力的预测性能，但决策树分析通过揭示可信度评分中的临床可解释阈值提供了独特的见解。这些阈值可以作为临床医生在定制干预或分配治疗资源时的实用指南。我们进一步将我们的发现置于 BDD 更广泛文献的背景下，涉及基于技术的治疗、数字干预以及治疗参与的心理社会决定因素。大量参考文献将我们的结果置于当前关于 BDD 患病率、自杀风险以及数字创新的研究之中。我们的工作强调将严谨的统计方法与透明的机器学习模型相结合的潜力。通过系统识别可改变的预测因子——如治疗可信度——我们提出了一条通向更精准、更个性化、最终更有效的 BDD 干预路径。