■ 研究进展
近日，四川大学华西公共卫生学院/华西第四医院与伦敦国王学院、南安普顿大学、四川大学计算机学院、瑞典厄勒布鲁大学、瑞典卡罗林斯卡学院等合作，在中科院一区TOP期刊《BMJ Mental Health》发表了题为《Childhood trauma and recent stressors in predicting subclinical psychotic symptoms among Chinese university students in southwest China: a machine learning analysis within a gender-specific framework》的最新研究成果。该研究基于大样本大学生队列，采用前沿机器学习模型，系统评估了童年创伤与近期压力源对亚临床精神病性症状（SPS）风险的预测作用，首次阐明了主要危险因素及其性别特异性。
文献引用:Tang, W#., Deng, Z#., Sun, Z., Zhao, Q., Garcia-Argibay, M., Anoop, K., Jay Pan, Samuele Cortese & Rubia, K. (2025). Childhood trauma and recent stressors in predicting subclinical psychotic symptoms among Chinese university students in southwest China: a machine learning analysis within a gender-specific framework. BMJ Mental Health, 28(1).
1. 背景：亚临床精神病性症状的隐匿威胁
亚临床精神病性症状（SPS），如疑病、被害妄想和思维异常，是精神分裂症等重性精神疾病的前驱表现。既往研究表明，SPS在大学生群体中发病率高，且约20%持续存在，7%可进展为精神病性障碍，严重影响青年心理健康及社会功能。尽管童年创伤和生活压力事件被认为是SPS的重要风险因素，但具体影响路径与核心危险因素尚未厘清，尤其缺乏面向中国大学生大样本、多变量、性别分层的整合预测模型。
2.方法与创新：多模型机器学习精准识别风险模式
本研究基于来自中国西南地区三所高校21,208名本科生的问卷数据，综合考察了学业压力、人际困扰、童年期虐待等多重压力与健康因素，应用九种主流机器学习方法（如XGBoost、随机森林、逻辑回归等），结合t-SNE可视化、SHAP特征解释、决策曲线分析等先进算法，实现了SPS风险的精准预测与模型临床应用价值评估。
3.主要技术路径
1.特征工程与可视化分析：通过皮尔森热力图、卡方检验、t-SNE等识别高相关变量，揭示各压力源之间的复杂交互。
2. 多模型对比与最优模型选择：在九类机器学习模型中，XGBoost表现最佳（AUC=0.89），并在外部独立样本中验证了其稳定性。
3.高影响因子识别及性别分层分析：利用SHAP值量化各因素贡献度，进一步开展性别分层，明确男女生在主要风险因素上的异同。
4.主要发现：学业压力、人际困扰及情感虐待为核心风险因子
学业压力、人际困扰和童年情感虐待 是大学生SPS最主要的预测因子，其中情感虐待独立贡献突出，提示其作为“隐形伤害”对青年心理健康的长期影响不可忽视。
性别分层结果显示，男生更易受学业压力和情感虐待影响，而女生则主要受胸痛、痛经等健康问题驱动。这一发现强调了性别敏感视角在高校心理健康干预中的必要性。
外部独立样本验证结果支持了模型的广泛适用性。
5.研究意义与政策启示
本研究首次利用大规模、多中心、机器学习的实证框架，系统梳理了导致SPS的多重风险因素及其性别差异，为高校心理健康早筛与精准干预提供了科学证据。建议高校心理健康服务在关注学业压力和人际关系的同时，针对高危学生尤其是有童年情感虐待经历者及女生群体，设计性别友好的心理评估与支持方案。
本研究也为精神疾病高危状态的预测建模和预防性干预提供了新范式，促进了心理健康领域人工智能的临床转化。
作者简介
汤万杰（共同一作、通讯作者）：四川大学华西公共卫生学院/华西第四医院副教授，研究方向为青少年心理卫生、职业心理卫生及数字流行病学，邮箱 tangwanjie@scu.edu.cn
邓子健（共同一作）：四川大学计算机学院博士，研究方向为健康数据分析与机器学习
潘杰（通讯作者）：四川大学华西公共卫生学院/华西第四医院教授，邮箱 panjie.jay@scu.edu.cn
供稿 | 汤万杰 邓子健
编辑 | 李红玉
审校 | 兰小梦 彭可馨 颜 婷