本文报道了一项由香港理工大学护理学院陈淑成（Shu-Cheng Chen）、香港大学中医药学院Lo Kwai-Ching及香港理工大学医疗科技及资讯学系任格（Ge Ren）等多位学者合作完成的原创研究。该研究发表于Bioengineering期刊2025年第12卷第10期，文章编号1012，于2025年7月8日投稿，经修订后于2025年9月21日接收，并于2025年9月23日正式在线发表。研究由香港医疗卫生研究基金（项目号11222456）、香港肺尘埃沉着病补偿基金委员会及深圳市科技计划项目等资助。
注意缺陷/多动障碍（Attention Deficit/Hyperactivity Disorder, ADHD）是一种常见的儿童神经发育障碍，以持续的注意力不集中、多动和冲动为核心特征，全球约有5%至10%的儿童受其影响。传统治疗手段主要包括药物治疗和行为疗法，但药物治疗可能伴随副作用，行为疗法则对家长参与度要求较高。因此，补充与替代疗法日益受到关注。小儿推拿（pediatric tuina）作为中医传统疗法的一种，通过特定手法刺激特定穴位或经络以调节生理功能，在ADHD管理方面已显示出潜在疗效。此前的试点随机对照试验（randomized controlled trial, RCT）证实了由家长实施的小儿推拿对学龄前ADHD儿童核心症状的改善具有可行性和初步疗效。
在中医理论中，“证候”或“证型”（pattern）代表一组反映患者整体健康状况的特征性症状组合。针对ADHD，中医师通常将患儿辨证为肺脾两虚证、肝郁脾虚证、肝亢脾虚证、心肝火旺证、痰火扰心证及肝肾阴虚证等不同证型，每种证型对应不同的推拿处方。准确的辨证是确保疗效和安全性的关键。然而，有经验的小儿推拿医师数量有限，ADHD患病率又较高，辨证过程依赖主观经验且需定期复评。为此，本研究旨在利用机器学习（machine learning, ML）方法，基于家长报告的儿童体质问卷数据，开发一套辅助中医辨证和个体化推拿处方预测的计算框架。具体目标包括：筛选对中医辨证最具区分效力的特征；预测每位ADHD患儿的证型以推荐个体化推拿处方；确定最适合该任务的机器学习模型。
本研究是一项横断面研究，数据收集于2023年11月至2024年6月，通过Qualtrics和问卷星两个在线平台进行。研究对象为中国大陆及香港地区确诊ADHD儿童的家长，纳入标准为：（1）子女年龄在4至15岁之间；（2）子女依据DSM-5标准已获ADHD临床诊断；（3）子女除ADHD外无其他显著神经、精神或躯体疾病。共回收问卷1536份，经排除226份年龄不符、279份未确诊ADHD及26份来自其他国家的问卷后，最终纳入1005份有效问卷。
研究所用问卷基于《中医儿童体质分类与判定》设计，包含71个特征，其中70项来自家长报告的儿童体质条目，1项为人口学特征（年龄）。体质条目涵盖能量水平、食欲、睡眠质量、排便情况、自汗、反复感冒、消化问题及情绪稳定性等多个维度。问卷选项采用数值编码，如李克特量表（Likert scale）赋值不同数值，是/否选项以0或1表示。
中医辨证由四位经验丰富的中医师协作完成。主导中医师Lo Kwai-Ching拥有十余年小儿推拿临床经验，负责制定ADHD相关证型判定指南并监督验证其他三位医师的诊断结果。最终将患儿分为四类标签：肺脾两虚证（标记为0，n=471）、肝郁脾虚证（标记为1，n=212）、肝亢脾虚证（标记为2，n=239）及“其他证型”（将心肝火旺、痰火扰心、肝肾阴虚三个低频证型合并，标记为3，n=83）。这种合并处理是为了避免因数据稀疏而影响模型可靠性。
机器学习的实施分为两个阶段：特征选择阶段和证型辨识阶段。在特征选择阶段，首先进行特征相关性分析，采用相关系数法评估71个特征之间的冗余程度。结果显示多对特征间存在强相关（|r|>0.5），例如特征10（“孩子入睡快且睡得安稳”）与特征44（“孩子入睡时间长”）呈-0.72的强负相关，特征50与特征60呈0.58的正相关。据此剔除了32个高相关特征，将特征数从71降至39个。随后，采用基于五折交叉验证（five-fold cross-validation）的逻辑回归（logistic regression, LR）分类器进行特征排序。数据集被分为五个子集，每次以其中四个子集训练、一个子集验证，循环五次，以确保每个子集均被验证一次。分类器以对数损失（log loss）函数评估性能，根据各特征对曲线下面积（area under the curve, AUC）的贡献进行排序。特征数量从1至71逐一测试，结果显示当输入特征数为10时，验证集上的AUC和准确率（accuracy, ACC）均达到最优，训练AUC为0.913，验证AUC平均为0.886，训练ACC为0.731，验证ACC平均为0.702。在五折交叉验证中，有七个特征被全部五次选中，分别为特征15、14、19、37、35、47和45，其中特征15、14、37和19的重要性值超过0.4。
在证型辨识阶段，研究构建并评估了四种机器学习模型：支持向量机（support vector machines, SVM）、逻辑回归、多层感知器（multilayer perceptron, MLP）和随机森林（random forest, RF）。数据集按80%训练与交叉验证、20%测试的比例划分。在验证子集上进行超参数调优以避免过拟合，最终在测试子集上评估模型性能。各分类器的超参数设置基于既有实践和经验确定，并经敏感性分析验证。具体而言，MLP配置为三层隐藏层、每层64个单元，采用自适应学习率；SVM采用RBF核，核宽参数设为auto；RF构建70棵树，不设最大深度限制；LR采用L-BFGS求解器，最大迭代次数1000次，正则化强度经优化确定。评价指标包括AUC和ACC。
在特征筛选后获得的10个特征中，有7个特征在五折交叉验证的所有轮次中均被稳定选中。这些特征对应的问卷条目内容如下：（1）特征15——“孩子容易患过敏性疾病，如过敏性鼻炎或咳嗽变异性哮喘，或在季节变化、温度波动、接触花粉或毛绒动物等情况下容易打喷嚏、流鼻涕、鼻塞或咳嗽”；（2）特征14——“孩子接触或食用过敏原（如某些食物、花粉、灰尘、宠物等）后出现皮肤瘙痒”；（3）特征19——“孩子幼年时曾患慢性腹泻或湿疹”；（4）特征37——“孩子容易发生口腔溃疡或咽喉肿痛”；（5）特征35——“孩子脾气急躁”；（6）特征47——“孩子容易感到焦虑、思虑过多”；（7）特征45——“孩子敏感多思，在意他人的看法”。这些特征涵盖了过敏体质、消化系统表现和情绪心理特征三个主要维度。
在测试集上，四种机器学习模型均展现出较强的预测能力，AUC均超过0.88，ACC均超过0.70。其中MLP算法表现最优，取得了0.90的AUC和0.74的ACC。SVM、LR和RF的AUC分别为0.897、0.899和0.880。在分证型的准确率分析中，各模型对高频证型的预测准确率更高：RF、MLP、SVM和LR对证型0（肺脾两虚证）的最高准确率分别达到0.85、0.81、0.75和0.71，而对低频证型（证型3）的预测性能相对较低。这一结果符合预期，因为数据集中证型分布不均衡，模型对多数类的学习更充分。研究还利用SHAP（SHapley Additive exPlanations）条形图展示了最终MLP分类器中各特征对模型预测的贡献程度排名，以均绝对SHAP值排序，进一步验证了所选特征在模型决策中的重要性。
本研究成功开发了一套基于机器学习的小儿推拿ADHD管理辅助决策框架。通过严格的特征筛选流程，从71个原始体质条目中确定了7个关键特征，涉及过敏倾向、情绪特征和消化道症状，这些特征能够有效区分ADHD患儿的不同中医证型。在四种机器学习模型中，MLP以最高的AUC（0.90）和ACC（0.74）成为最适合该任务的分类器。
研究的科学价值在于创新性地将机器学习与2023年发布的标准化中医儿童体质辨识问卷相结合，突破了以往依赖成人问卷或非标准化临床观察进行儿科中医辨证的局限，将基于经验的中医辨证转化为标准化、数据驱动的方法学。这一整合为传统医学与现代计算技术的融合提供了可行范式。在应用层面，该模型可作为中医师的决策支持工具，在临床就诊前提供初步证型判断，在面诊过程中提供量化证据以辅助验证临床判断，尤其有助于经验不足的初级中医师提升辨证准确性。此外，该模型的应用范围并不局限于小儿推拿，还可推广至针灸、艾灸、拔罐、中药处方制定及饮食调护等多种中医疗法，为ADHD的个性化综合干预提供证型基础。鉴于合格小儿推拿医师的严重短缺与ADHD的高患病率，将机器学习与标准化中医诊断工具相结合，有助于实现更安全、有效且可及的家庭日常治疗。
本研究具有多方面的突出亮点。首先，在方法学上，研究采用了严谨的五折交叉验证策略，贯穿特征选择与模型训练的全过程，有效增强了结果的稳定性和可靠性。其次，研究数据来自全国32个省级行政区域，样本量超过1000例，具有较好的地域代表性。第三，研究以2023年发布的中医儿童体质分类标准问卷为基础，保证了数据采集的规范性和文化适应性。第四，四位经验丰富的中医师协作辨证并由资深医师审核，最大程度地控制了中医诊断中的主观偏倚。第五，研究通过SHAP分析提供了模型可解释性，揭示了各特征对证型分类的贡献，有助于中医师理解模型决策逻辑。此外，研究中对三个低频证型的合并处理、对高相关特征的冗余剔除，以及对模型超参数的敏感性分析，均体现了方法学上的考量和严谨性。
值得注意的是，研究也存在一定局限性。数据全部来自中国境内人群，问卷基于本土中医体质评估体系设计，限制了研究结论在不同文化和人群中的可推广性。家长报告数据本身具有主观性，可能受回忆偏倚和解释标准差异的影响。证型分布的不均衡使得低频证型的预测性能偏低。未来研究应扩大数据集以获得更均衡的证型分布，并在不同人群中进行外部验证，同时开展随机对照试验比较模型生成处方与传统辨证处方的临床疗效，以进一步验证该机器学习辅助中医诊断模型的实用价值。