近日，陈爱国教授团队在《International Journal of Clinical and Health Psychology》杂志上 (SSCI, JCR Q1, 中科院1区top期刊, IF = 8.8) 在线发表了题为 “Supervised machine learning: A new method to predict the outcomes following exercise intervention in children with autism spectrum disorder” 的最新研究成果（https://doi.org/10.1016/j.ijchp.2023.100409）。该研究提出并证实了监督机器学习方法可以应用于预测ASD儿童的运动干预结果，对于最大化运动干预的益处、推进孤独症儿童的个性化治疗有重要意义。

不断增加的研究证据表明，运动干预可以改善孤独症儿童的行为表现。但是，这些运动干预方案既不是同等有效的，也不是对所有的孤独症儿童都有效。以往的运动干预研究受限于传统统计分析方法，侧重于探索某种运动干预方案对孤独症儿童“群体”是否有显著改善，忽略了由于个体的独特性可能导致的疗效差异。

在此项研究中，该团队以孤独症儿童干预前的临床信息、行为表现与脑结构指标作为候选因素，并应用了监督机器学习方法中的随机森林算法执行回归与分类任务，预测可能的干预结果。研究结果表明，随机森林模型可以通过孤独症儿童的个体独特性预测小篮球运动干预方案所致的社会交流交往障碍与核心症状疗效，证实了监督机器学习方法可以应用于预测孤独症儿童运动干预的结果。该研究为提前识别出最有可能从某种运动干预方案中获益的孤独症儿童提供了一种新的可靠方法，并为建立孤独症儿童个性化运动干预方案推荐系统奠定了坚实的基础。

团队成员孙志远博士研究生为论文第一作者，陈爱国教授为通讯作者。扬州大学体育学院、南京体育学院为论文通讯单位。该研究得到了国家自然科学基金与霍英东教育基金的资助。