王曉燕，李曉萌，陳 虎，張揚(yáng)鴿，高 捷，張慶麗，彭燕梅，穆立娟，孟召學(xué)，王 琳，陳芳芳，涂燕暉

（1.首都兒科研究所附屬兒童醫(yī)院保健科，北京 100020；2.南京未來網(wǎng)絡(luò)產(chǎn)業(yè)創(chuàng)新有限公司，江蘇 南京 210000；3.清華大學(xué)附屬北京市垂楊柳醫(yī)院兒科，北京 100022；4.北京市石景山區(qū)婦幼保健院兒童保健科，北京 100040；5.北京市懷柔區(qū)婦幼保健院兒童保健科，北京 101400；6.北京市房山區(qū)婦幼保健院兒童保健科，北京 102400；7.北京市通州區(qū)婦幼保健院兒童保健科，北京 101100）

兒童應(yīng)該是消費(fèi)品質(zhì)量問題的重點(diǎn)保護(hù)對象。隨著科學(xué)技術(shù)的發(fā)展，消費(fèi)品的功能和結(jié)構(gòu)日益復(fù)雜，其中各種化學(xué)物質(zhì)包括揮發(fā)性的有機(jī)溶劑，如苯、二甲苯、乙酸乙酯等，以及可遷移的重金屬如鉛、鎘、砷等可能給人體帶來急性中毒、化學(xué)灼傷、過敏[1]等損害，也可因長期低劑量暴露增加患病風(fēng)險(xiǎn)[2]，甚至影響兒童的行為發(fā)育[3]。消費(fèi)品中的有毒有害物質(zhì)對于人體的暴露途徑一般包括經(jīng)呼吸道吸入、經(jīng)皮膚接觸和經(jīng)口攝入3 種。兒童相對于成年人自我防護(hù)意識差，更容易發(fā)生經(jīng)手接觸、經(jīng)口啃咬物品的行為，且通常較為隱匿，但卻是兒童重金屬中毒的重要危險(xiǎn)途徑[4]。因此，為減少兒童因消費(fèi)品暴露而導(dǎo)致急性、亞臨床、慢性或延遲的不良健康影響，有必要對兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為進(jìn)行風(fēng)險(xiǎn)預(yù)測，以幫助醫(yī)生和家長進(jìn)行評估并采取預(yù)防措施。

傳統(tǒng)行為心理學(xué)的分析是基于統(tǒng)計(jì)學(xué)展開的，解釋性好，但重復(fù)和預(yù)測性差。深度學(xué)習(xí)算法預(yù)測性能好，但其解釋性差。而機(jī)器學(xué)習(xí)（machine learning，ML）正好兼具可解釋性和預(yù)測性都較好的優(yōu)勢，在心理行為分析領(lǐng)域已得到推廣和應(yīng)用。本研究采用基于機(jī)器學(xué)習(xí)的最大梯度提升算法（extreme gradient boosting，XGBoost）、隨機(jī)森林（random forest）、決策樹（decision tree）、邏輯回歸（Logistic regression）、貝葉斯網(wǎng)絡(luò)（Bayesian network）和支持向量機(jī)（support vector machine，SVM）6 種算法構(gòu)建預(yù)測模型，這6 種算法均可以預(yù)測兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為，并且定量給出群體風(fēng)險(xiǎn)因素的貢獻(xiàn)值。

1 資料與方法

1.1 研究對象

本研究以2019 年12 月至2020 年11 月在北京市6所醫(yī)療機(jī)構(gòu)兒童保健科就診的1 803 例兒童為研究對象。納入標(biāo)準(zhǔn)：參加常規(guī)體檢的兒童；其本人或者監(jiān)護(hù)人能正確回答調(diào)查問卷有關(guān)問題。排除標(biāo)準(zhǔn)：有重大疾病史、先天性疾病者；監(jiān)護(hù)人不能進(jìn)行正常交流者。根據(jù)兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為分為有啃咬行為組（n=617）和無啃咬行為組（n=1 186）。本研究方案已獲得首都兒科研究所倫理委員會(huì)批準(zhǔn)（倫理批號SHERLL2019005），所有研究對象的監(jiān)護(hù)人均簽署知情同意書。

1.2 研究方法

采取問卷調(diào)查兒童主要照顧者關(guān)于兒童的社會(huì)人口學(xué)信息（年齡、性別、民族、居住地、受教育水平等），8 類兒童玩具和文具消費(fèi)品（軟塑料玩具、塑料拼插玩具、塑料玩具、含有涂層玩具、金屬玩具、地墊、書寫筆和橡皮）的使用行為和習(xí)慣，主要照顧者的社會(huì)人口學(xué)信息，對兒童的陪伴程度，對化學(xué)物質(zhì)知識內(nèi)容的了解、接受培訓(xùn)和關(guān)注程度等。

調(diào)查問卷的設(shè)計(jì)經(jīng)過兒童保健專業(yè)、流行病學(xué)專業(yè)人員審核，并采取預(yù)調(diào)查進(jìn)行校驗(yàn)；調(diào)查過程中由經(jīng)過培訓(xùn)的醫(yī)務(wù)人員作為調(diào)查員，對參與調(diào)查的家長進(jìn)行統(tǒng)一問詢；采用EpiData 錄入軟件對數(shù)據(jù)進(jìn)行雙錄入。共發(fā)放問卷1 824 份，回收1 824 份，問卷回收率100%。最終用于分析的樣本數(shù)為1 803 份，問卷有效率為98.8%。

1.3 統(tǒng)計(jì)學(xué)方法

采用SPSS 20.0 軟件進(jìn)行統(tǒng)計(jì)分析，符合正態(tài)分布的計(jì)量資料如年齡等用均數(shù)±標(biāo)準(zhǔn)差（±s）表示，組間比較采用t檢驗(yàn)；計(jì)數(shù)資料以頻數(shù)和構(gòu)成比（%）表示，組間比較采用χ2檢驗(yàn)。以兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為作為因變量，以啃咬行為影響因素的單因素分析篩選出的指標(biāo)為自變量，應(yīng)用SPSS Modeler18.0 和6 種機(jī)器學(xué)習(xí)算法完成各個(gè)影響因素的重要性的量化分析，并采用多因素Logistic 回歸分析篩選關(guān)聯(lián)指標(biāo)，以P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

應(yīng)用Python 3.6 分析，加載sklearn、XGBoost、shap、imblearn 和matpltlib 等第三方模塊，完成兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為的預(yù)測。從1 803 例樣本中隨機(jī)無放回抽取20%作為測試集，測試集其中正樣本84 個(gè)，負(fù)樣本281 個(gè)。余下的1 438 例樣本采用Borderline-SMOTE2 進(jìn)行上采樣算法，最終得到正負(fù)樣本均為1 101 個(gè)且比例1:1 的訓(xùn)練集，以提高正樣本的查準(zhǔn)率，且增強(qiáng)算法模型的泛化能力和效度。6 種機(jī)器學(xué)習(xí)模型進(jìn)行200 次獨(dú)立的實(shí)驗(yàn)，獲得一個(gè)定性評估指標(biāo)ROC 曲線和定量評估指標(biāo)曲線下面積Carea under curve,AUC、靈敏度、特異度。使用單因素ANOVA 檢驗(yàn)比較6 種機(jī)器學(xué)習(xí)算法的性能，確定預(yù)測效度最高的算法，以P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 基線資料

最終獲得有效問卷1 803 份，1 803 例兒童中男925 例（51.3%），女878 例（48.7%），年齡1 個(gè)月～12.80 歲，平均年齡（3.89±3.35）歲。

2.2 特征提取

單因素分析顯示，兒童的年齡和受教育水平，主要照顧者的身份、年齡、受教育水平、職業(yè)、對兒童的陪伴程度、對化學(xué)物質(zhì)知識了解程度、接受化學(xué)物質(zhì)知識內(nèi)容培訓(xùn)的程度、選購兒童消費(fèi)品時(shí)對化學(xué)物質(zhì)的關(guān)注程度，父親職業(yè)和母親職業(yè)共12 個(gè)特征與兒童使用消費(fèi)品時(shí)發(fā)生啃咬行為有關(guān)，P＜0.05，見表1。

表1 有啃咬行為組與無啃咬行為組的特征比較［±s,n（%）］Table 1 The characteristics of object mouthing behaviors group and non-object mouthing behaviors group[±s,n（%）]

表1 有啃咬行為組與無啃咬行為組的特征比較［±s,n（%）］Table 1 The characteristics of object mouthing behaviors group and non-object mouthing behaviors group[±s,n（%）]

特征兒童年齡（歲）兒童受教育水平散居托幼機(jī)構(gòu)小學(xué)主要照顧者年齡（歲）主要照顧者父母祖父母保姆其他主要照顧者受教育水平小學(xué)及中學(xué)大專及本科碩士及以上主要照顧者職業(yè)未就業(yè)事業(yè)單位專業(yè)技術(shù)人員商業(yè)服務(wù)業(yè)人員技術(shù)工種人員合計(jì)3.89±3.35有啃咬行為組（n=617）1.96±2.49無啃咬行為組（n=1 186）4.89±3.30 χ2/t 21.171 314.384 P＜0.001＜0.001 952 443 408 43.24±13.33 504（52.94）63（14.22）50（12.25）43.29±13.77 448（47.06）380（85.78）358（87.75）43.21±13.09 21.171 13.549＜0.001 0.004 1 098 670 29 6 342（31.15）261（38.96）13（44.83）1（16.67）756（68.85）409（61.04）16（55.17）5（83.33）7.332 0.026 753 918 132 284（37.72）294（32.03）39（29.55）469（62.28）624（67.97）93（70.45）23.296＜0.001 836 290 230 105 342 333（39.83）88（30.34）72（31.30）32（30.48）92（26.90）503（60.17）202（69.66）158（68.70）73（69.52）250（73.10）

續(xù)表1

2.3 構(gòu)建機(jī)器模型及預(yù)測性能比較

2.3.1 構(gòu)建6 種機(jī)器學(xué)習(xí)模型的流圖

構(gòu)建6 種機(jī)器學(xué)習(xí)模型的流圖見圖1。

圖1 構(gòu)建6 種機(jī)器學(xué)習(xí)模型的流圖Fig.1 The flow graph to construct 6 machine learning models

2.3.2 基于ROC 曲線的各模型預(yù)測性能比較

將XGBoost、隨機(jī)森林、Logistic 回歸、貝葉斯網(wǎng)絡(luò)和SVM 模型在測試集中進(jìn)行內(nèi)部驗(yàn)證。AUC 的算法優(yōu)劣排序?yàn)椋篨GBoost＞隨機(jī)森林＞Logistic 回歸＞決策樹＞貝葉斯網(wǎng)絡(luò)＞SVM，見圖2。

圖2 各模型在測試集的ROC 曲線分析Fig.2 ROC curves of 6 models in the test set

2.3.3 基于定量標(biāo)準(zhǔn)的模型選擇

共進(jìn)行200 次實(shí)驗(yàn)，每個(gè)算法可以得到200 個(gè)混淆矩陣，均值見圖3?；贏UC 比較各模型預(yù)測能力差異具有統(tǒng)計(jì)學(xué)意義（F=2 749.701，P＜0.001），LSD 多重比較排序：XGBoost＞隨機(jī)森林＞Logistic回歸＞決策樹＞貝葉斯網(wǎng)絡(luò)＞SVM，見表2。

表2 各模型預(yù)測能力比較（±s）Table 2 Comparison of the predictive ability of each model（±s）

表2 各模型預(yù)測能力比較（±s）Table 2 Comparison of the predictive ability of each model（±s）

標(biāo)準(zhǔn)AUC準(zhǔn)確度靈敏度特異度XGBoost 0.939±0.012 0.891±0.015 0.771±0.012 0.928±0.015 SVM 0.772±0.026 0.796±0.012 0.233±0.015 0.969±0.017隨機(jī)森林0.935±0.010 0.883±0.015 0.833±0.015 0.898±0.014 Logistic 回歸0.921±0.013 0.855±0.019 0.879±0.020 0.847±0.018決策樹0.911±0.014 0.866±0.020 0.838±0.021 0.874±0.018貝葉斯網(wǎng)絡(luò)0.893±0.015 0.780±0.013 0.870±0.015 0.751±0.017

圖3 平均混淆矩陣Fig.3 Average confusion matrix

2.4 各模型的主要影響因素分析

2.4.1 基于SPSS Modeler 影響因素分析

SPSS Modeler18.1 結(jié)合XGBoost 等機(jī)器學(xué)習(xí)算法可以量化各影響因素重要性。為了進(jìn)一步考察6種算法集成篩查影響因素的效果，將各算法的量化結(jié)果進(jìn)行均值聚合，得到各影響因素重要性比例的均值，分別為兒童年齡（34.33%）、主要照顧者陪伴程度（20.33%）、主要照顧者對化學(xué)物質(zhì)知識了解程度（20.17%），見表3。

2.4.2 多因素Logistic 回歸影響因素分析

Logistic 回歸模型結(jié)果見表4。綜合表3 和表4 結(jié)果，最終確定兒童年齡（OR=0.721，95%CI=0.683～0.761）和受教育水平（小學(xué)：OR=0.244，95%CI=0.170～0.352；托幼機(jī)構(gòu)：OR=0.171，95%CI=0.124～0.235）、主要照顧者對化學(xué)物質(zhì)知識了解程度（了解一點(diǎn)：OR=0.679，95%CI=0.466～0.990；大部分了解：OR=0.519，95%CI=0.325～0.830；非常熟悉：OR=0.262，95%CI=0.093～0.739）、主要照顧者陪伴兒童的程度（經(jīng)常陪伴：OR=0.471，95%CI=0.347～0.639；偶爾或基本不陪伴：OR=0.214，95%CI=0.144～0.318）、母親職業(yè)（商業(yè)服務(wù)業(yè)人員：OR=0.479，95%CI=0.234～0.980；事業(yè)單位：OR=0.403，95%CI=0.231～0.705；技術(shù)工種人員：OR=0.432，95%CI=0.249～0.750）是發(fā)生啃咬行為的主要影響因素（P＜0.05）。

表3 啃咬行為影響因素的重要性聚合*Table 3 Aggregation of the importance factors influencing object mouthing behaviors

表4 啃咬行為影響因素的Logistic 回歸分析Table 4 The Logistic regression analysis of influencing factors of object mouthing behaviors

3 討論

3.1 機(jī)器學(xué)習(xí)可豐富心理行為研究的途徑與手段

傳統(tǒng)心理行為學(xué)的分析大多是基于統(tǒng)計(jì)學(xué)展開的，強(qiáng)調(diào)對行為的解釋，而對行為的預(yù)測不夠重視。引入以預(yù)測為目標(biāo)的機(jī)器學(xué)習(xí)可以提供新的思路和研究方法。Yarkoni 等[5]認(rèn)為心理學(xué)工作者如果更強(qiáng)調(diào)預(yù)測，可以有助于理論模型的發(fā)展，從長遠(yuǎn)看很有可能幫助解釋行為的成因。其次是傳統(tǒng)心理學(xué)分析存在“可重復(fù)性危機(jī)”[6-8]。除了采用更加嚴(yán)謹(jǐn)研究設(shè)計(jì)和恰當(dāng)統(tǒng)計(jì)方法進(jìn)行數(shù)據(jù)分析和解讀外，從探索數(shù)據(jù)規(guī)律和趨勢，運(yùn)用機(jī)器學(xué)習(xí)算法為研究的可復(fù)制性提供更大可能性[9]。本研究結(jié)合兒童的社會(huì)人口學(xué)信息、玩具和文具消費(fèi)品的使用情況、化學(xué)物質(zhì)知識普及情況等信息，應(yīng)用基于機(jī)器學(xué)習(xí)的XGBoost、隨機(jī)森林、Logistic 回歸、貝葉斯網(wǎng)絡(luò)和SVM 算法構(gòu)建預(yù)測模型，比較對兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為的預(yù)測價(jià)值，在AUC、靈敏度和特異度方面表現(xiàn)良好，對兒童行為研究和風(fēng)險(xiǎn)預(yù)測有實(shí)際的意義。

3.2 XGBoost 的預(yù)測效能較優(yōu)

機(jī)器學(xué)習(xí)是統(tǒng)計(jì)學(xué)、人工智能和計(jì)算機(jī)科學(xué)交叉的應(yīng)用領(lǐng)域，選擇正確的機(jī)器學(xué)習(xí)算法并不容易。研究者需要結(jié)合已獲得的數(shù)據(jù)的數(shù)量、類型和質(zhì)量等方面綜合考慮，通過對各算法之間進(jìn)行比較，選出合適且滿足研究需求的算法，最終提高大多數(shù)問題的預(yù)測準(zhǔn)確性[10]。Moon 等人[11]以分類決策樹為分析方法，以青少年受欺凌為指標(biāo)，確定最佳危險(xiǎn)因素和保護(hù)因素。Sauer 等人[12]通過隨機(jī)森林算法完成了正念練習(xí)者和非正念練習(xí)者的分類。Sajjadiani 等人[13]從申請者的工作申請文件中發(fā)展可解釋變量，包括工作經(jīng)驗(yàn)、任期歷史等，然后使用貝葉斯網(wǎng)絡(luò)、Logistic 回歸、隨機(jī)森林和K 最近鄰等算法建立比較模型，最終確定貝葉斯網(wǎng)絡(luò)模型預(yù)測申請者未來的工作表現(xiàn)和離職意向的準(zhǔn)確度最高。有研究顯示XGBoost 算法的計(jì)算效果甚至可以媲美需要耗費(fèi)大量計(jì)算資源的深度神經(jīng)網(wǎng)絡(luò)[14]。本研究結(jié)果也提示對于兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為的預(yù)測效能，XGBoost優(yōu)于隨機(jī)森林、Logistic 回歸、決策樹、貝葉斯網(wǎng)絡(luò)和SVM 模型。

3.3 兒童使用消費(fèi)品時(shí)發(fā)生啃咬行為的影響因素

本次調(diào)查結(jié)果顯示不同年齡和受教育水平下，兒童啃咬消費(fèi)品的行為均有發(fā)生。但隨著年齡增大、接受集體教育機(jī)會(huì)增多，啃咬的情況逐漸減少。一項(xiàng)薈萃分析顯示，在3 個(gè)月至6 歲的兒童中，發(fā)生啃咬物品的頻率最高的是6～23 個(gè)月的嬰幼兒[15]，與本研究結(jié)果相似。因此低年齡仍然是健康教育的重點(diǎn)實(shí)施對象。家庭養(yǎng)育環(huán)境對兒童早期心理行為發(fā)展的影響是多方面的。良好的家庭養(yǎng)育環(huán)境有助于兒童早期認(rèn)知、社會(huì)情感、人格發(fā)展、和行為能力的發(fā)展[16]。本研究中主要照顧者對化學(xué)物質(zhì)知識的了解程度影響兒童使用消費(fèi)品時(shí)是否發(fā)生啃咬行為。兒童普遍缺乏自我保護(hù)意識，對化學(xué)物質(zhì)的知識知之甚少，因此提升家長的安全意識和知識可間接影響孩子的行為習(xí)慣，可降低兒童以及家庭面臨的安全風(fēng)險(xiǎn)。主要照顧者每天或經(jīng)常陪伴及母親未就業(yè)的情況下兒童啃咬行為的發(fā)生率反而增高，可能的原因是一方面照顧者監(jiān)管兒童使用消費(fèi)品的頻率越高，則發(fā)現(xiàn)兒童不良行為的概率越大；另一方面，照顧者每天陪伴兒童的時(shí)期多為嬰幼兒期，而這也同時(shí)是兒童發(fā)生啃咬物品行為的高峰時(shí)期。同樣，事業(yè)單位、商業(yè)服務(wù)業(yè)人員和技術(shù)工種人員的母親因工作原因缺少時(shí)間和精力與孩子在一起，也影響了她們對兒童不良行為的關(guān)注。

在后續(xù)研究中，可增大樣本量并擴(kuò)增風(fēng)險(xiǎn)因素，例如兒童使用消費(fèi)品時(shí)的異常動(dòng)作和情緒，主要照顧者的親子互動(dòng)行為和心理因素以增強(qiáng)算法模型的預(yù)測效度和篩查出其他潛在的高風(fēng)險(xiǎn)因素。