中文标题
预测儿童门诊患者的精神分裂症谱系障碍：儿童精神病风险筛查系统的前瞻性验证
一句话摘要
一项为期5年的前瞻性队列研究（n=491）表明，基于儿童行为量表（CBCL）中8个症候子量表构建的儿童精神病风险筛查系统（CPSS），能有效预测儿童精神科门诊患者未来是否发生精神分裂症谱系障碍（SSD），其曲线下面积（AUC）达0.906，显著优于传统使用的“思维问题”子量表，并与包含150个变量的复杂机器学习模型（AUC=0.959）表现相近。该工具为初级医疗场景下识别精神病高风险儿童提供了简洁、客观的风险分层手段，有望缩短转诊延迟、促进早期干预。
研究背景
精神分裂症是一种严重的精神障碍，全球患病率约0.75%，其社会和经济负担极为沉重，在不同国家可占国内生产总值的0.02%至1.65%。越来越多的证据表明，未经治疗的精神病持续时间（DUP）越长，预后越差，而缩短DUP能改善症状和功能结局。因此，在精神病发作前或前驱期识别高风险个体并进行干预，已成为临床实践和公共卫生的重要方向。然而，儿童期起病的精神分裂症（早发型精神分裂症，EOS）比成人起病具有更高的遗传和神经发育负荷、更严重的残留阴性症状和认知衰退，且发生在身份形成、教育和社交的关键时期，更容易导致学业中断、就业困难等社会功能不良。治疗一旦发作后再行干预，往往已无法逆转这种“不良预后轨迹”。因此，在前驱期或风险精神状态阶段进行早期检测和干预，显得尤为关键。
儿童早期的精神症状多样且非特异，给客观评估带来巨大挑战。在前驱期和病前期，儿童常表现出非特异的行为变化，如发育迟缓、社交退缩和拒学，而只有在特异性精神病症状出现后才会引起精神科医生的关注。值得注意的是，这一年龄段的儿童经常同时伴有躯体主诉和行为问题，许多首次精神病发作的青少年在初次精神科就诊之前，已经在内科或儿科经历了长期的治疗。因此，从初级保健到精神科转诊之间的这段时间，实际上是一个极为宝贵的“机会窗口”。若能在这阶段实施准确的筛查，就可以实现更流畅的转诊路径和及时预防性干预。
目前，针对儿童临床高风险精神病状态的研究仍处于早期阶段，尚缺乏专门为此人群设计的、经过验证的筛查工具。为填补这一空白，研究团队此前基于儿童行为量表（CBCL）开发了儿童精神病风险筛查系统（CPSS）。CBCL是一套广泛应用于评估儿童心理行为问题的家长评定量表，包含8个症候子量表（焦虑/抑郁、退缩/抑郁、躯体主诉、社交问题、思维问题、注意问题、违规行为、攻击行为）以及内化性、外化性和总问题量表。CPSS算法通过回顾性识别精神分裂症患者儿童期的亚临床特征而形成，其风险得分的计算基于8个症候子量表的T分，并采用此前逻辑回归模型所得的系数进行加权。先前的一项横断面研究已显示CPSS能有效区分精神分裂症谱系障碍（SSD）与其他疾病（包括神经发育障碍）。然而，其前瞻性预测能力尚未被验证。本研究正是基于这一空白，通过追踪一组因发育、心身或精神障碍而就诊的儿童精神科门诊患者，前瞻性验证CPSS对未来SSD状态的预测效能，并进一步将其与包含150个基线变量的复杂机器学习模型（LightGBM）进行对比，以评估其稳健性和临床实用性。
核心发现
本研究的主要发现是，CPSS风险得分对患者最终（随访期内）是否确诊为SSD具有出色的预测性能，受试者工作特征曲线下面积（AUC）达到0.906。相比之下，CPSS对基线（Visit 1）时已存在的SSD的识别效能为0.841。这一差异表明，CPSS能敏感地捕捉到那些尚未满足诊断标准的前驱期脆弱性，即它不仅能“认出”已经发病的患者，更能提前“预警”未来的发病风险。在对比分析中，纳入150个基线变量的LightGBM机器学习模型获得了略高的AUC（0.959），但CPSS仅依靠8个CBCL子量表就达到了如此接近的预测精度，突显了其简洁高效的优势。进一步的变量重要性分析显示，CPSS风险得分作为预测因子，其效能强于传统的“思维问题”子量表——后者长期以来被认为是精神病风险的标志物，但在本研究中其单独预测能力不及CPSS综合得分。
关键数据要点如下：
- CPSS预测最终SSD状态的AUC为0.906，表明该工具具有“良好”到“优秀”的判别能力，即在区分最终是否发展为SSD方面表现突出。实际含义：在筛查场景中，若将CPSS设为某一阈值，约90%的概率能正确区分高风险与低风险儿童。
- CPSS识别基线已存在SSD的AUC为0.841，低于对未来SSD的预测AUC。实际含义：CPSS不仅仅是诊断辅助工具，更擅长捕捉尚未显露的精神病易感性，这恰恰是早期筛查所追求的目标。
- LightGBM机器学习模型的AUC为0.959，略高于CPSS，但该模型需要收集150个变量（包括人口学、临床诊断、用药、虐待、霸凌、社交退缩等），临床操作成本远高于仅需8个CBCL子量表的CPSS。实际含义：在追求极致预测力时，复杂模型可能略胜一筹，但CPSS在“预测力-简洁性”平衡上更具实用价值。
- CPSS风险得分在变量重要性分析中超越“思维问题”子量表，成为最强的单一预测因子。实际含义：以往临床工作者可能过分关注“思维问题”项目（如奇怪想法、幻觉），但CPSS整合了更广泛的行为与情绪维度，揭示精神病风险的早期信号可能隐藏在社交退缩、躯体主诉、注意问题等多个方面。
- 在随访期间（平均2.26±1.03年），350名完成随访的参与者中，共有24人被最终确诊为SSD（其中13人为新发病例）。实际含义：虽然SSD在儿童精神科门诊中的发生率并不高（约占6.9%），但CPSS能在低基率人群中保持高判别能力，这点对于有效筛选至关重要。
研究方法
本研究是一项前瞻性队列研究，旨在验证CPSS对未来SSD的预测能力。研究于2019年12月至2025年6月期间，在日本关西地区的一所大学医院和三所社区医院连续招募了491名6–18岁的门诊患者作为初始队列（Visit 1）。这些患者因发育障碍、心身障碍或精神障碍就诊，包括来自儿科发育诊所的288人和来自精神科诊所的203人。基线评估包括由父母完成的CBCL/6-18（基于120个条目的标准化量表，生成8个症候子量表T分、内化/外化/总问题量表）以及从医疗记录中收集的大量临床数据，如人口学信息（年龄、性别、出生月）、DSM-5临床诊断、虐待经历、欺凌经历、社交退缩（hikikomori）情况、药物使用等，共约150个变量。诊断评估采用DSM-5研究版结构化临床访谈（SCID-5-RV）和DSM-IV儿童诊断结构化临床访谈（SCID-Childhood Diagnoses），由主治医师和研究人员共同确认。
在基线时，已有19名患者被诊断为SSD（其中7人后续退出或诊断修订后剩余11人）。随后，参与者被追踪最长5年（平均2.26±1.03年），每年进行一次诊断评估（Visit 2至Visit 6），共350人完成了至少一次随访（流失141人，流失原因包括临床痊愈后中断、自行退出和研究结束时的行政删失）。在随访期间，有13名参与者新诊断为SSD，加上基线存留的11人，最终共有24人确诊为SSD（包括5名精神分裂症样障碍和19名精神分裂症）。CPSS风险得分根据先前回顾性研究建立的逻辑回归模型，对8个CBCL症候子量表T分进行加权求和得到。为评估其预测准确性，研究者采用受试者工作特征（ROC）曲线分析，计算CPSS对最终SSD状态的AUC；同时，作为对照，构建了一个后验的机器学习基准模型（LightGBM），纳入全部150个基线变量进行预测。变量重要性分析通过LightGBM内置的增益和权重指标进行排序，评估各预测因子的相对贡献。
值得注意的是，本研究的诊断评估并未严格实施盲法：由于是真实世界临床研究，主治医师和研究医师在进行诊断时已知晓患者的基线CBCL结果和CPSS风险得分。这可能在某种程度上引入评估者偏倚，但研究者认为这反映了实际临床工作流程，增强了外部效度。统计方法包括卡方检验、t检验比较组间差异，ROC分析及DeLong检验比较不同AUC的差异显著性（文中未报告具体p值，但AUC的95%置信区间可推断显著差异）。
专业解读
这项研究的重要价值在于，它首次以前瞻性设计验证了CPSS这一基于CBCL的简洁筛查工具的远期预测能力。结果明确显示，CPSS不仅能够识别已经处于精神病发作状态的儿童（基线AUC=0.841），更关键的是，它能够预测未来可能发生的SSD（AUC=0.906）。这种“预测未来”的能力是筛查工具区别于诊断工具的核心属性。AUC从0.841提升至0.906的反直觉现象——即对“未来”预测优于对“现时”识别——实际上揭示了CPSS所捕捉到的风险信号可能不仅是当前临床症状的反映，而是更广泛的神经发育易感性。前驱期儿童的行为特征（如社交退缩、躯体主诉、注意问题、攻击行为）往往比孤立的“思维问题”（如奇怪想法、幻觉）更早出现。CPSS将8个子量表的信息整合为一，恰好抓住了这种前驱期模式的复杂性。
与LightGBM模型的对比进一步强化了CPSS的临床适用性。尽管机器学习模型通过引入150个变量获得了AUC=0.959的略优性能，但这需要大量数据收集和专业计算，在忙碌的儿科诊所或学校心理健康筛查场景中几乎不可行。而CPSS仅需父母在15–20分钟内完成CBCL，系统即可自动输出风险得分，这种“即用性”正是初级保健所需的。变量重要性分析显示CPSS得分本身比任何单一子量表都更具预测力，也提示我们不应过分聚焦于“思维问题”这一传统指标，而应整体看待儿童多层面的行为模式。
从机制角度看，CBCL所评估的各类行为问题可能共同反映了神经发育系统中的薄弱环节。例如，社交退缩可能与前额叶-边缘系统功能异常有关，躯体主诉可能涉及自主神经调节和感觉处理异常，注意问题则与多巴胺系统功能失调相关。已有研究支持这些变量在精神病风险综合征中的聚集性。CPSS通过加权的整合将这些维度转化为一个连续风险指标，既符合精神病理学的“维度-非类别”理念，也便于临床决策。
然而，必须强调本研究为相关性设计，并未建立因果关系。CPSS得分高并不意味着一定会发展为SSD，它只是风险概率的估计。此外，由于随访率并非100%（350/491），流失的参与者多来自精神科诊所且年龄偏大，这可能导致对SSD发生率的低估或高估。但整体而言，这项研究为儿童精神病风险早期识别提供了有力的循证工具。
研究局限
首先，样本代表性存在明显局限。所有参与者均来自日本关西地区的四家医院，且仅限于因发育、心身或精神障碍而就诊的门诊患者，因此结果无法直接推广至一般学校社区或其他文化背景。日本的社会文化特征（如高隐退率hikikomori）可能影响量表得分和风险模式。其次，流失率较高（28.7%，141/491），且流失者与留存者在年龄和就诊科室上存在显著差异：精神科门诊患者流失更多，年龄偏大的青少年更易退出。这意味着最终的350人样本可能偏向症状较轻或依从性较好的群体，可能低估SSD的真实发生率或高估预测工具的效能。第三，诊断评估未实施盲法：主治医师已知晓CBCL结果和CPSS得分，这可能造成诊断验证的循环印证，尽管研究者认为这增强了生态效度，但确实增加了偏倚风险。第四，SSD事件数（24例）较少，尤其新发病例仅13例，这限制了AUC估计的精确性和统计效力，置信区间可能较宽。第五，CBCL作为父母报告工具，存在报告偏差：父母可能低估或高估子女的问题行为，尤其是在存在家庭冲突或父母精神疾病的情况下。第六，CPSS算法本身是基于回顾性数据开发的逻辑回归模型，其灵敏度和特异度的最佳截断值在本研究中未作报告，且尚未经过独立外部样本的交叉验证。最后，虽然研究收集了药物治疗、虐待、欺凌等混杂变量，但未在CPSS预测模型中作为协变量进行校正，也未评估这些因素是否与CPSS得分存在交互作用。因此，CPSS的独立预测能力仍需通过多因素分析进一步确认。
应用启发
对于中国的心理从业者、教育工作者和儿科/精神科医生，本研究提供了几个重要的启示。首先，CBCL在中国已有标准化版本和常模（如中华行为医学量表），具备较好的文化适应性。在儿童发育行为门诊、学校心理健康筛查或健康体检中，可以尝试将CBCL结果输入CPSS算法（此文已公布计算公式）进行风险分层。这不需要昂贵设备或专业培训，只需一台能运行简单公式的终端设备。对于CBCL中“身体不适、社交退缩、注意力不集中、攻击行为”等多个维度同时出现高分的儿童，应给予更高关注，不宜仅凭“思维问题”子量表忽略其他信息。其次，本研究强调的前驱期非特异症状（如拒学、反复躯体主诉、行为问题）恰好也是中国儿童心理门诊和学校心理老师常遇到的“疑难杂症”。以往这些孩子可能被诊断为“适应障碍”“焦虑症”或“躯体形式障碍”，但实际上可能处于精神病高风险状态。CPSS提供的客观风险得分可成为帮助临床医生区分“需要转诊精神科”与“可以在普通门诊管理”的辅助工具，从而减少不必要的观望和延误。第三，应用时需要避免过度诊断和制造焦虑。CPSS得分高不等于一定会发展成精神分裂症；它只提示在后续1-5年内出现SSD的风险较高，需要进一步评估和监测。建议在初级保健场景中，将CPSS作为“初步筛子”：得分超过某阈值的儿童应转诊至儿童精神科进行更全面的临床评估（包括精神病风险综合征的结构化访谈、家族史、神经认知测试等），而不是直接贴标签。在家庭沟通中，应使用“高风险”“早期信号”“需要留意”等功能性语言，避免使用“疯子”“精神病”等污名化词汇。对于得分处于中低范围的儿童，也应关注其整体心理健康，而不是仅仅聚焦于一个风险分数。最后，本文仅供科普参考，不构成诊疗建议。实际应用前，CPSS的截断值需要结合中国人群的CBCL常模和本地数据进一步调校，并与精神科转诊路径相配套，才能真正发挥早期预警的价值。