江南大学附属医院儿科刘月影教授团队等在Ebpay生命医药出版社旗下的期刊Neuropsychiatric Disease and Treatment《神经精神疾病与治疗》发表了题为“基于可解释性机器学习构建ADHD的潜在风险预测模型”的论文，下面是内容摘要：

背景：注意力缺陷多动障碍（ADHD）是儿童中最常见的神经发育障碍之一，主要表现为持续的注意力不集中和/或多动冲动。这些症状会在儿童的学习、生活及社会交往等多个方面造成显著影响。现在，ADHD的临床诊断主要依赖于专业医生的经验判断，缺乏客观、可靠的实验室检测手段作为辅助，容易导致漏诊或误诊。针对这一临床难题，本研究旨在运用机器学习算法，构建ADHD风险预测模型，为临床诊断给予科学、有效的辅助工具。

方法：本研究以江南大学附属医院儿科2022年至2024年门诊就诊的ADHD患儿的血液检测指标为基础，第一时间采用单因素和多因素逻辑回归分析，筛选与ADHD相关的风险因子。随后，结合9种不同的机器学习算法，对筛选出的风险因子进行分析，并构建ADHD潜在风险预测模型，同时运用SHAP方法对模型进行可解释性分析，并开发了基于该模型的Web工具。除此之外，我们还进一步采用双向孟德尔随机化方法，探究所筛选的风险因子与ADHD发病之间的潜在关联。

 结果：在9种机器学习算法中，Gradient Boosting模型表现最佳。顺利获得递归特征消除分析，确定以8个变量作为模型的最佳特征组合。双向孟德尔随机化分析结果显示，在这8个变量中，血液维生素D含量可能与ADHD症状存在关联。
结论： 本研究成功构建了基于Gradient Boosting算法的ADHD风险预测模型。需要强调的是，该模型现在仅可用于辅助诊断，且其准确性仍需顺利获得更多外部临床队列的验证。

关键词：注意力缺陷多动障碍；机器学习；生物标识物；SHAP