在影响因素研究领域，众所周知，传统回归方法用得最多。机器学习方法也可以用于识别关键预测因子，是否可以应用在影响因素研究中呢？之前我们就报道过一篇机器学习+Shap分析来做影响因素研究的文章。2025年8月31日，某团队发表的一篇研究论文，也是利用机器学习模型识别关键影响因素并预测心理健康结果。这项基于14万人的大规模研究成果发表在《Child and Adolescent Psychiatry and Mental Health》（医学2区，IF=4.6）期刊上。我们一起来看看！
研究团队在江苏省的 98 个县（市/区）通过随机整群抽样进行了一项横断面调查，共招募 141,725 名学生。
首先，采用流行病学研究中心抑郁量表（CES-D）、广泛性焦虑障碍7项量表（GAD-7）和抑郁-焦虑-压力量表21项（DASS-21）来量化抑郁、焦虑和压力症状，调查了江苏省儿童和青少年的当前心理健康状况。
研究揭示了显著的心理健康差异：抑郁症（14.9%）、焦虑症（25.5%）和压力（10.9%）的患病率显示出明显的性别和地区梯度。
机器学习模型识别关键影响因素
研究者利用五种机器学习模型以识别抑郁、焦虑和压力的关键影响因素，并预测心理健康结果，旨在为这一人群建立快速心理健康评估框架。
1.预测因子筛选
纳入与心理健康结果（定义为抑郁=1，焦虑=1 或压力=1）具有统计学显著关联（p < 0.05）的57个变量。
2.拆分数据集
数据通过“caret”包分为训练集（70%）和测试集（30%）。
3.模型构建
以抑郁、焦虑和压力的判定结果为因变量，57 个研究变量为自变量，在训练集中，应用五种机器学习模型（决策树、朴素贝叶斯、随机森林、KNN、XGBoost）来预测研究参与者抑郁、焦虑和压力的阳性结局。
并采用交叉验证和网格搜索优化超参数。
4.模型性能评估
模型性能使用 AUC 评估，AUC 是二元分类任务的关键指标。
另外，通过混淆矩阵在测试集上进行评估，计算准确率、精确率、召回率、F1 分数。
结果显示，XGBoost 模型在所有结局上
表现出最优的预测性能，优于其他模型。
5.特征重要性分析：
方法1：Gain（增益）
使用XGBoost 模型，提取了 57 个自变量的 Gain 值，得到前5个特征变量：
焦虑：年龄＞欺凌时间＞被嘲笑＞饮酒史＞性别；
压力：欺凌持续时间＞饮酒史＞年龄＞身高＞被嘲笑。
方法2：SHAP Value
为了验证结果的稳定性，进行基于SHAP值的特征重要性分析，提取抑郁、焦虑和压力的前5个重要特征变量：
综上所述，本研究将欺凌、年龄和饮酒史识别为江苏省儿童与青少年心理健康的重要危险因素。研究结果强调需在学校开展反欺凌项目、提供按年龄分层的心理咨询并开展健康生活方式教育（包括拒绝饮酒）。
值得注意的是，SHAP 分析将早餐频率识别为一个可干预的关键因素，应将诸如每日吃早餐等生活行为纳入促进心理健康的饮食干预。
老郑小评
机器学习模型的“黑箱”特性阻碍了解释性，探讨影响因素研究中，基本上要结合SHAP分析。
很多人认为机器学习算法难度高=高级，但机器学习算法就一定优于传统回归方法吗？
今天这篇文章，样本量大、预测变量（自变量）多的情况确实更适合用机器学习来做预测任务。
但是大家一定要注意，这种关联与预测的分析，其实不算是因果推断，即便是认为独立的影响因素，也不应该认为是一种因果分析。
不要误把“重要性”当成“因果性”：变量重要性（Gain、SHAP）只表明与预测有关，不一定是因果因子。
像年龄这样的因子，如果作为只是一个预测因子，而非一个所谓存在着因果关系的因子，这样的影响因素研究，其实没有太多意义。
机器学习当然可以进行因果推断, 但通过SHAP法所开展的工作，产生的只是预测因子。
参考文献：Xin Y, Wang Y, Zhang X, Li P, Yang W, Wang B, Yang J. Machine learning-based analysis and prediction of factors influencing mental health among children and adolescents in Jiangsu Province. Child Adolesc Psychiatry Ment Health. 2025 Aug 31;19(1):100. doi: 10.1186/s13034-025-00959-5.
预告：我们将在9月份底开启高级统计课程，“机器学习与因果推断训练营”，为期3个月，进行“督导式”学习，有兴趣可以和郑老师团队联系吧。
全国较大的医学统计服务平台，专注于医学生、医护工作者学术研究统计支持
详情联系助教小董咨询（微信号aq566665）
