学龄前儿童注意缺陷多动障碍决策树预测模型的前瞻性研究

黄欣欣 欧萍 钱沁芳 黄艳 王艳霞

（福建省妇幼保健院∕福建医科大学妇儿临床医学院，福建福州 350001）

注意缺陷多动障碍 （attention deficit hyperactivity disorder，ADHD）是儿童时期常见的一种行为障碍［1-2］，主要表现为注意力不集中、活动过度、情绪冲动等。ADHD可降低生活质量，并导致消极的学业和职业后果［3-4］。最新研究表明我国儿童和青少年ADHD的患病率高达6.26%［5］。

学龄前是儿童学习和技能掌握的关键期，也是行为发展与干预的重要时期。约2/3的ADHD发病于学龄前，3～4岁开始出现临床症状［6］，但学龄前儿童的症状往往被家长认为是“正常”的活泼好动，直至学龄期，患儿在学习、社交、情绪等各方面受到明显影响时，才引起家长和老师的关注，但只有少部分家长带孩子前来就诊。如果不及早治疗，50%～80%的病例可能会持续到成年［7］。儿童、青少年期ADHD易共患其他神经发育障碍（如孤独症谱系障碍、沟通障碍、特定学习障碍、运动障碍和抽动等）及行为问题［8］，影响学业、职业、生活及社会关系，给社会、家庭、个人均带来严重的负担。因此在学龄前准确识别ADHD症状，进行早期干预治疗，防止进入学龄期继发其他心理行为异常具有重要临床意义。有学者建议在4岁时开始筛查ADHD［9］。

随着科学技术的发展，数据挖掘已成为科学研究的创新点。决策树是机器学习算法之一，适用于研究多分类因变量与影响因素之间的关系。决策树通过输入目标变量，通过一系列问题测试，对输出目标进行分类［10］，利用归纳算法生成可读的规则，可以清晰地显示出各个变量之间的关系。在大数据信息时代，决策树应用广泛，国内外专家学者也将其应用到医学相关研究当中，近年来儿童健康领域已开始出现应用决策树方法的相关研究成果，如分析儿童二次感染血吸虫病的影响因素［11］、儿童龋齿影响因素［12］、儿童重症手足口病预测［13］等，均证实了决策树分析在筛选儿童健康关键性指标方面的可行性。

本研究就学龄前ADHD儿童相关症状进行决策树算法，区分ADHD患儿，建立学龄前ADHD的预测模型，探讨该模型的临床应用价值，为临床医师、尤其是基层医务人员快速筛查ADHD提供一种便捷而有效的途径，为在学龄前儿童中开展大面积筛查提供理论依据，为疾病早期发现、早期干预提供线索。

1 资料与方法

1.1 研究对象

本研究为前瞻性研究，ADHD组来自2019年2月至2020年3月于福建省妇幼保健院儿童心理门诊就诊，经主治医师及以上资格的医师根据《美国精神障碍诊断与统计手册》（第五版）》（Diagnostic and Statistical Manual of Mental Disorders，Fifth edition，DSM-V）诊断标准［14］首次确诊为ADHD的4～6岁儿童，按就诊顺序入组。对照组来自同期在我院或我市幼儿园体检，根据结构化表单询问家长后未发现明显心理行为症状，且既往未患严重的躯体性疾病和精神障碍的4～6岁儿童。填写量表的家长为儿童的主要抚养人，且其文化程度在初中及以上。

排除标准：（1）广泛性发育障碍者；（2）发育商（development quotient，DQ）低下者；（3）孤独症谱系障碍者；（4）患有癫痫、精神分裂症、抽动障碍或其他原发的精神障碍、脑器质性精神障碍者。

本研究通过福建省妇幼保健院伦理委员会审查批准［（2019）伦研审批第（006）号］。所有研究对象家长均同意参加本研究并签署知情同意书。

1.2 中文版SNAP-Ⅳ评定量表父母版

中文版SNAP-Ⅳ评定量表父母版（Chinese version of Swanson Nolan and Pelham，VersionⅣScale-Parent Form）根据DSM-V关于ADHD的诊断标准编制而成，用于4～18岁儿童的ADHD辅助诊断及评估疗效。包括26个条目，分为3个因子：注意力不集中（条目1～9）、冲动/多动（条目10～18）、对立违抗（条目19～26），采用4级评分，“无”“有一点”“还算不少”“很多”分别为0、1、2、3分，评分越高表示症状越严重［10］。因其项目与DSM-V诊断项目直接对应，因此临床使用针对性较强。中文版SNAP-Ⅳ评定量表父母版评定学龄前儿童ADHD具有良好的信效度［15］。门诊儿童于安静诊室内进行评估，经过培训的专科医生详细解说指导语，由熟悉儿童日常行为表现的主要抚养人根据儿童近期表现填写。ADHD组评估在儿童首次就诊时完成，评估时尚未被确诊ADHD。在园儿童的评估在老师及学校保健医生的协助下，发放测评量表及填表说明，由经过统一培训的调查员指导幼儿的主要抚养人填写，学校保健医生负责计分。在测评过程，一旦发现评估提示儿童可能患有ADHD，则转专科门诊进一步评估，确诊者纳入ADHD组。

1.3 0～6岁小儿神经心理发育诊断量表

使用首都儿科研究所生长发育研究室研制的《0～6岁小儿神经心理发育诊断量表》评估研究对象的智能发育水平。该量表是我国目前临床应用较为广泛的发育诊断性测验［15］，用于评估0～6岁婴幼儿智能发育水平。由儿童保健或发育行为儿科医生测评，结果以DQ表示。

1.4 注意力时间

儿童保健医生通过父母课堂的健康宣教，指导家长正确记录儿童的注意力时间：儿童处于安静环境，自行独立完成绘画、积木拼装、绘本阅读等与其年龄相符合的任务，家长在旁观察（不提醒）并记录儿童在完成任务过程保持专注的时间。连续7 d在同一地点且选择相对固定的2个时间段观察记录，一共14次，取平均值。

1.5 统计学分析

采用EpiData 3.1建立数据库，双人录入校验。采用SPSS 25.0进行统计学分析。非正态分布的计量资料采用中位数（四分位数间距）［M（P25，P75）］表示，两组间比较采用Mean-WhitneyU检验。计数资料用例数和百分率（%）表示，组间比较采用χ2检验。使用分类决策树中的卡方自动交互检验（chi-square automatic interaction，CHAID）方法建立决策树模型，每个预测变量在决策树临床算法中的位置基于信息增益来确定。为分析决策树临床算法的有效性，进行灵敏度、特异度等准确性检验。P＜0.05为差异有统计学意义。

2 结果

2.1 一般资料

ADHD组及对照组各200例儿童，2组儿童的年龄、DQ、主要抚养人文化程度差异均无统计学意义（P＞0.05）。ADHD组男童比例高于对照组（P＜0.05），注 意 力 时 间 短 于 对 照 组（P＜0.05）。见表1。

表1 2组儿童基本情况及注意力时间比较

2.2 中文版SNAP-Ⅳ评定量表父母版条目比较

ADHD组中文版SNAP-Ⅳ评定量表父母版条目1、4、7、8、10、11、14、15、16、18、20、21、22的得分高于对照组（P＜0.05），见表2。

表2 ADHD组和对照组中文版SNAP-Ⅳ评定量表父母版各条目比较 ［M（P25，P75）］

2.3 决策树模型

将注意力时间和中文版SNAP-Ⅳ评定量表父母版差异有统计学意义的条目进行决策树分析，选择CHAID法依次寻找最大影响因子并划分预测节点。以分组（1=对照组，2=ADHD组）作为因变量，对各个自变量进行自动分类，并与目标变量进行卡方检验，选择差异显著性最大的自变量作为树状结构的第一层。再以目标变量的各个类别作为第一层各个节点，在各节点上对其他变量进行卡方检验，继续形成以下级别的层次和节点（图1）。最后进入CHAID模型的有3个变量，分别是注意力时间、中文版SNAP-Ⅳ评定量表父母版的条目14和条目15。

注意力时间是决策树的根节点。注意力时间1～3 min为节点1，直接判断为ADHD的准确率（正确诊断的比例）为86%。注意力时间9～16 min者为节点4，直接判断为非ADHD的准确率为87.9%。注意力时间4～5 min是节点2，中文版SNAP-Ⅳ评定量表父母版条目14（总是一直在动或像装了马达似的动个不停）作为节点2的第二层：条目14得分为3是第5节点，判断ADHD的准确度为82%；条目14得分为0～2是第6节点，判断非ADHD的准确度为53.8%。注意力时间6～8 min是第3节点，条目15（话很多）作为节点3的第二层：条目15得分为2～3者，判断ADHD的准确度为61.5%；条目15得分为0～1者，判断非ADHD的准确度为89.7%。ADHD组中，预测ADHD的准确率为81%；对照组中，预测非ADHD的准确率为69%，总体准确率为75%。

为评价模型的诊断效能，分析决策树模型的预测效果见表3，灵敏度（ADHD组中预测阳性例数/ADHD组总例数）为81.0%，特异度（对照组中预测阴性例数/对照组总例数）为69.0%，阴性预测值（对照组中预测阴性例数/预测阴性总例数）为78.4%，阳性预测值（ADHD组中预测阳性例数/预测阳性总例数）为72.3%。

表3 决策树模型的预测结果 （例）

2.4 受试者工作特征曲线分析

采用受试者工作特征曲线对决策树模型的预测概率进行评估（图2）。决策树模型曲线下面积（area under curve，AUC）为0.816（95%CI：0.774～0.857，P＜0.001）。提示决策树模型预测价值较高，对儿童ADHD的快速筛查具有一定的准确性。最佳截断值为0.29，灵敏度为93.0%，特异度为55.0%，约登指数0.5，阴性预测值为88.7%，阳性预测值为67.4%。

3 讨论

由于学龄前儿童ADHD症状不典型，且缺乏辅助诊断的生物标志物，儿童行为问题是否符合ADHD的判断在相当大程度取决于临床医生的专业背景及家长对ADHD症状的认知［16］。量表评估是照料者、老师、医生采用特定量表报告儿童行为的一种方法。中文版SNAP-Ⅳ评定量表父母版是常用的学龄前儿童ADHD行为评定量表之一［17］，由于其能反映儿童的日常生活及ADHD症状，因此具有重要的临床参考价值。然而中文版SNAP-Ⅳ评定量表父母版的26个条目均为4级评分，主观性大，测评者需要反复思考取舍，导致测评时间较长；其次由于不同评估者的分数存在一定差异，可能因恰好高于临界值，得到不同的结论［17］。因此需要在行为量表基础上结合访谈保证评估的有效性［18］。访谈需要由儿童保健、发育行为儿科学、精神及心理学等医生执行。我国由于儿童基数大，部分地区医务人员数量相对不足［19］，或缺乏足够经验，儿童心理保健覆盖面不高，难以开展大面积测评，导致很多ADHD患儿被延误诊断，有地区报道超过一半儿童到学龄期才被发现ADHD［20］。因此在人群中快速筛查学龄前ADHD患儿已成为儿童保健领域研究的热点问题。

本研究增加了注意力时间这个客观指标，结合中文版SNAP-Ⅳ评定量表父母版进行统计学处理，构建预测模型。根据单因素分析和决策树分析，发现对ADHD筛查有贡献的主要因素为注意力时间、中文版SNAP-Ⅳ评定量表父母版的条目14和条目15。既往报道学龄前ADHD儿童以好动为主要表现［21］，本研究发现中文版SNAP-Ⅳ评定量表父母版进入预测模型的2个条目均为冲动/多动因子，和文献［21］观点一致。但我们发现注意力时间对筛查模型的贡献最大，提示客观量化的注意力观察记录应成为着重关注点，进一步证实需要综合量表评估和行为访谈完成ADHD诊断。

受试者工作特征曲线的AUC是评价快速筛查诊断价值的最佳指标之一，AUC越大，说明诊断的准确性越高。本模型的AUC为0.816，说明其具有一定的准确性，能较为精确区分ADHD患儿与非ADHD儿童。生成的预警模型条目数明显减少，简化为条目14、条目15及注意力时间3项。家长经过培训后即可在家庭完成注意力时间记录；其余的2个条目将4级评分简化为2级，与完整的中文版SNAP-Ⅳ评定量表父母版相比，节约了评估时间，医务人员在儿童体格发育检查过程即可指导家长快速完成；判断方式简单，不需要安排医务人员全量表（26个条目）逐项解释，也无需专人计算分数。筛查阴性者可按照常规儿童保健流程管理，筛查阳性者作为可疑ADHD患儿，需立即转专科门诊评估，明确诊断。预警模型在我院门诊实施6个月，医务人员人均门诊量较同期上升约32%，表明该模型可缩短测评时间及儿童候诊等待时间；根据预警模型结果分流心理门诊就诊儿童，优化就诊流程、提升门诊运行效率、节约医疗人力资源、扩大门诊量。

早期干预可以减缓ADHD的程度，减少继发性问题［22］。越来越多的证据表明，针对学龄前儿童采用父母培训，实施行为管理，有助于提高依从性、改善治疗效果，促进患儿学业及社会功能改善［23］。本研究为临床医生及公共卫生医生开展全人口快速筛查ADHD提供依据。即便暂时不具备开展ADHD专科诊疗条件的医疗机构，尤其是基层医院或幼儿园的保健医师，经过培训，也可开展ADHD初筛；可疑者转上级医院进一步评估。有助于增强基层医务人员对ADHD患儿的早期筛查能力，具有较好的推广潜力。今后将进一步扩大研究范围，制定并完善一套操作简便、实用、符合我国国情且具有循证依据的ADHD筛查流程及应用规范，开发专项区域性的信息平台，对筛查阳性的患儿进行筛查-转诊-评估-确诊-干预-随访的闭环管理模式。预计未来将ADHD筛查纳入常规儿童保健工作的范畴，提高儿童ADHD筛查的普及率，提升儿童心理保健的覆盖面，保障ADHD患儿在学龄前接受全方位诊治，完善儿童心理保健工作统筹管理，协助卫生健康行政部门制订促进儿童身心健康的公共卫生策略。

利益冲突声明：所有作者均声明不存在利益冲突。