引言
慢性疼痛和心理困扰是普遍存在的状况，严重影响健康和福祉，特别是在年轻成人中。这些状况常常同时发生，加剧了其影响并使诊断和管理复杂化。尽管它们各自具有重要意义，但与其共病相关的因素在年轻人群中仍知之甚少。目前的研究表明，共享的生物学、心理学和社会因素影响这些状况，但复杂的相互作用需要能够处理多维数据的高级分析方法。
近年来，机器学习（ML）和可解释人工智能（AI）的进步彻底改变了我们分析医疗数据的方式，使得识别传统统计方法可能忽略的复杂模式和亚组成为可能。本文回顾了一项利用这些技术阐明挪威年轻成人中与慢性疼痛、心理困扰及其共病相关因素的研究。研究结果旨在提高早期检测策略，为有针对性的干预提供信息，解决未满足的临床需求。
研究设计和方法
该研究利用了挪威学生健康与福祉调查（SHoT2018）的横断面数据，涵盖了34,469名平均年龄为22.9岁的参与者，其中67.4%为女性。参与者提供了关于健康、生活方式、社会因素和心理参数的全面数据。
三种不同的机器学习分类模型——逻辑回归、Tsetlin机器和CatBoost——独立训练以区分三个互斥的群体：仅患有慢性疼痛的个体、仅患有心理困扰的个体以及同时患有这两种状况的个体，并与健康对照组进行比较。使用曲线下面积（AUC）指标评估模型性能，并通过不同地理区域的内部-外部交叉验证进行验证。
为了解释模型，研究人员使用Shapley值来确定特征重要性，并使用优势比量化关联。此外，从模型中推导出的逻辑子句规则有助于识别变量集群和潜在的隐性亚组。
主要结果和发现
研究队列中的患病率分别为：慢性疼痛27.2%，心理困扰12.7%，共病26.7%。模型在各地区的性能稳健且一致，慢性疼痛的AUC范围为0.70至0.72，心理困扰的AUC范围为0.92至0.93，共病组的AUC范围为0.94至0.96。
可解释人工智能分析识别出所有状况的关键相关因素，尤其是性别（女性）、感知的整体健康状况和睡眠障碍。有趣的是，当单独分析这些状况与组合分析时，因素的模式有所不同。某些因素在共病组中似乎相互抵消，而其他因素则表现出叠加效应——有些因素在两种状况同时存在时显著放大风险。
这些见解揭示了慢性疼痛和心理困扰的共病反映了独特的病理生理和心理社会特征，不仅仅是单个因素的简单相加。识别这些模式对于早期干预至关重要，可能允许医疗保健提供者分层风险并个性化管理计划。
专家评论
这些发现体现了精神和肌肉骨骼健康领域精准医学的前沿进展。机器学习和可解释人工智能的应用增强了我们对复杂共病的理解，而传统方法可能会掩盖这些复杂性。研究的严格验证加强了对已识别关联的信心。
然而，局限性包括其横断面性质，无法得出因果推论，以及依赖自报数据，容易受到偏见的影响。此外，虽然这些模型在挪威人群中表现良好，但其在其他种族和年龄组中的通用性需要进一步研究。
在共病条件下观察到的独特模式突显了临床实践中综合评估策略的必要性，强调性别特异性和心理社会因素。未来的纵向研究应探索因果关系，并评估针对已识别因素的干预措施是否可以减少这些状况的发生率或严重程度。
结论
本研究展示了机器学习和可解释人工智能在解开年轻成人中慢性疼痛、心理困扰及其共病的多方面关联方面的潜力。识别独特风险特征有助于早期检测和个性化预防策略，最终改善健康结果。继续整合计算方法的研究有望推进我们对复杂健康状况的理解和管理。
资助和参考文献
原研究未指定资助细节。参考文献包括关于共病慢性疼痛和心理困扰的关键文献，以及人工智能在医疗保健中应用的最新方法学进展。
{ “name”: “Gorosito MA, Haugerud H, Berg B, Yazidi A, Øiestad BE, Sivertsen B, Grotle M, Rønn Richardsen K. 慢性疼痛、心理困扰及其在挪威年轻成人中的共病：来自机器学习和可解释人工智能的见解. 国际医学信息杂志. 2026年1月;205:106108. doi: 10.1016/j.ijmedinf.2025.106108. Epub 2025年9月10日. PMID: 40939305.” }
