今日文獻聚焦於透過多維度生態數據與機器學習，探討青少年人際敏感環境與複雜性創傷後壓力症候群的亞臨床風險預測，為早期人際創傷介入提供嶄新視角。
Journal of affective disorders · Predicting sub-clinical risk of complex PTSD in adolescents using multi-informant ecological data: A machine learning approach.
運用機器學習模型整合多維度生態數據，發現同儕欺凌、母親焦慮及惡化的學校氣氛是預測青少年複雜性創傷後壓力症候群亞臨床症狀的最關鍵指標，有助於臨床早期識別高人際敏感風險個案。
💡 雖然機器學習模型直接用於門診篩檢的門檻較高，但其揭示的「同儕欺凌與母親焦慮」核心風險因子，能直接引導臨床人員在評估人際迎合與依附焦慮時，將系統性生態因素納入考量。
Cerebellum (London, England)
研究證實聽覺 P300 潛伏期延長與振幅降低可作為 SCA2 患者伴發憂鬱症的狀態依賴性生物標記，且獨立於運動功能惡化程度。