介绍
回避/限制性食物摄入障碍 (ARFID) 是在 DSM-5 的喂养和饮食失调诊断中引入的[ 1 ]。ARFID的特征是由于缺乏食欲、感官敏感性（例如，食物质地）和/或担心厌恶后果（例如，窒息）而限制性或回避性饮食。尽管体重不足不是必需的诊断标准，但 ARFID 患者很难满足营养需求，在门诊治疗的 ARFID 患者中有 29% 至 70% 体重不足[ 2,3,4 ]。与神经性厌食症 (AN) 类似，ARFID 中的低体重与心动过缓等医疗并发症有关 [ 5 , 6]、胃肠道疼痛/功能障碍[ 7、8、9、10、11 ]和贫血[ 12、13、14 ] 。ARFID 的家庭治疗 (FBT) 和 ARFID 的认知行为疗法 (CBT-AR) 都将体重增加视为需要恢复体重的患者的主要治疗目标。由于体重恢复通常是主要治疗目标 [ 3 , 6 ]，因此检查 ARFID 患者治疗结束时可能导致体重成功恢复的因素非常重要。

FBT 通常被认为是治疗青少年饮食失调 (ED) 的黄金标准，并且已被证明可有效增加神经性厌食症 (AN) 的体重并减轻 ED 症状 [ 15 , 16 ]。FBT 的一个中心目标是赋予护理人员权力，引导他们的孩子从急诊室康复 [ 17 ]。FBT 包括三个治疗阶段，第一个阶段是体重和/或营养恢复 [ 17 ]。一旦患者达到预期体重 (EBW) 的大约 90%，他们就会开始第二阶段的治疗 [ 17]。在第二阶段，患者在饮食方面获得发育上适当的独立性。在第三阶段，开始完全独立饮食，治疗的重点是青少年的健康发育。FBT 已针对 ARFID 进行了调整 [ 18 , 19 ]，并在第一阶段重点关注体重不足患者的体重增加。除了体重恢复之外，ARFID 的 FBT 还强调为品种有限的患者增加饮食。一项小型随机对照试验（N = 28）表明，与常规治疗（即社区中可用的任何医疗或心理治疗）相比，FBT 对 5-12 岁儿童的体重增加有利[ 19 ]。还提供了关于 FBT 适应 ARFID 的治疗手册 [ 20]。迄今为止，尚未发表针对 ARFID 的 FBT 大型随机对照试验，尽管目前正在进行一项试验（锁定号：R01MH121292）。

大量文献研究了 AN 患者 FBT 治疗结束时导致病情缓解的因素，这项工作可能为 ARFID 体重恢复的预测因素提供有用的见解。在之前的文献中，AN 的缓解被定义为体重恢复（定义为达到患者 EBW 的 95-100%，其中 EBW 是该患者年龄和性别的中位体重指数 (mBMI) [ 15 , 16 , 21] , 22 , 23 ]) 并在症状问卷上的 ED 认知在社区标准的 1 个标准差范围内。研究不断证明，AN 的 FBT 中第 2-4 节期间的早期体重增加可预测治疗结束时的缓解[ 21, 22 , 23 , 24 , 25 ]和12个月的随访[ 24 , 25 ]。此外，后来的疗程（例如第5、8、9）中的体重增加已被确定为第20周缓解的最强预测因子[ 21,23,24 ]。例如，对于患有 AN 的患者，FBT 第 3 节时体重增加 5.8 磅是最早的预测因素，FBT 第 8 节时体重增加 11.2 磅是治疗结束时缓解的最强预测因素 [ 21]。尽管研究一致表明，AN 患者在 FBT 早期体重增加是治疗结束时病情缓解的标志，但不同研究在具体周数（即最早和最强的预测因素）、所需的体重增加量以及治疗结束时存在差异。对估计的信心，使得将结果转化为实践具有挑战性。

虽然 ARFID 和 AN 的食物限制机制不同，但体重恢复通常是两者的治疗目标。许多 ARFID 患者客观上体重不足 [ 26,27,28 ] ，并且营养不良程度与 AN 相似[ 27 ]，因此检查体重成功恢复的预测因素至关重要。由于研究尚未检查 ARFID 患者的体重恢复时间表，因此本研究使用了 AN 患者 20 周的既定时间表，以实现95 % EBW [ 21、22、23、24、25 ]]。本研究旨在检查早期体重增加是否可以预测 ARFID 患者在 FBT 第 20 周时 EBW 达到 95%。具体来说，我们确定了第 20 周时 EBW 达到 95% 的最早且最强的预测因素。鉴于 AN 和 ARFID 的治疗都强调扩大饮食模式，我们假设早期体重增加将是 95% EBW 的预测因素ARFID 患者治疗第 20 周。最后，我们仔细检查了用于分析的统计模型，以更好地了解其性能和分析错误分类的模式。

方法
参加者
我们的初始样本包括 2020 年 9 月至 2023 年 5 月期间寻求虚拟 FBT 治疗的 187 名 ARFID 患者，他们接受了至少 20 周的治疗。其中 76% 的患者需要恢复体重；那些不需要恢复体重的人被排除在分析之外（n = 44）。分析样本进一步减少，因为在第 0 周（即治疗第一周）(n = 2) 或第 20 周 (n = 10) 无法获得体重数据，或者因为无法获得 EBW (n = 15)。

我们的最终分析样本为 N = 130。患者年龄范围为 5 至 29 岁（M = 14.3，SD = 4.1），主要是白人（n = 91，70.0%）和顺性别女孩/女性（n = 75，57.7%） ）。入院时的平均 EBW 百分比为 84.6% (SD = 7.4%)。患者或未成年人的护理人员知情同意出于研究目的分析和传播治疗数据。患者治疗结果的分析也经过了独立伦理委员会西方机构审查委员会（WIRB，皮阿拉普，华盛顿州）的审查。WIRB 确定我们对患者结果的评估不符合人类受试者研究的定义。

治疗概述
患者参加了使用增强型 FBT 方法的虚拟 ED 治疗计划。增强方法由传统治疗团队（例如家庭治疗师、注册营养师和医疗提供者）组成，还包括家庭导师和同伴导师。家庭导师是具有照顾接受 ED 治疗的亲人经验的护理人员，同伴导师是从 ED 中康复的个人。家庭导师和同伴导师在整个治疗过程中为家庭和患者提供额外支持。会议通过符合 HIPAA 的远程医疗平台与护理人员、患者或两者进行。关于治疗方法和有效性的更多细节在其他地方有详细描述[ 29 , 30 ]。

措施
重量
体重是由一名接受过治疗团队关于体重监测深入培训的家庭成员在家测量的。每周两次在排尿后、进食或饮料前测量患者体重，并在穿着最少衣服的情况下进行测量。家庭成员会收到自动提示，将体重输入电子健康记录。EBW 采用个体化方法确定，并由患者的注册营养师设定 [ 31]。营养师通过使用每位患者的年龄调整体重指数 (BMI) 和生长图来计算 EBW，以确定患者在饮食失调发作之前的百分位 BMI 趋势。此外，饮食摄入量、饮食行为、体力活动模式、医疗数据（生命体征、血液检查）和月经史（对于有月经的人）也被用来建立 EBW。

体重恢复/缓解
我们根据之前的文献定义了体重恢复，如果患者在治疗 20 周时达到 EBW 的 95%，则被认为体重恢复了 [ 16,21,24 ] ，这个时间范围通常与治疗结束的定义一致FBT 临床试验。

统计分析
首先，为了描述我们的样本，我们结合使用了 t 检验和线性回归。使用两个多级线性模型评估随时间的体重增加，一个模型以磅为单位拟合体重，另一个模型以体重占 EBW 的比例拟合体重。除了结果变量之外，两种模型都是相同的，并且包括对数治疗周作为术语。该模型还包括对数处理周的随机截距和斜率。

接收者操作员特征 (ROC) 分析
我们在每周的治疗中使用 ROC 分析，使用体重增加作为预测值来预测治疗 20 周时的体重恢复。每周选择的体重增加切点是使敏感性和特异性之和最大化的切点。我们报告曲线下面积 (AUC)、其置信区间以及敏感性和特异性。我们使用以磅为单位的体重变化以及入院后的体重变化百分比作为预测因子进行了分析，并取得了类似的结果。

在 ROC 分析中，存在二元结果变量（在本研究中，体重在 20 周恢复）和预测值（特定周体重增加），可用于区分达到体重恢复的患者和未恢复体重的患者。分界点是一个数字，旨在根据预测值将个体明确分为这两类。如果找到一个好的切点，则可以在临床环境中使用它来确定治疗早期的进展是否可能最终导致特定患者的体重恢复。例如，ROC 分析确定的体重增加临界点为第 5 周体重增加 6.2 磅，这意味着任何在第 5 周体重增加超过 6.2 磅的患者预计将在治疗结束时恢复体重，而任何体重增加小于 6.2 磅的患者预计将在治疗结束时恢复体重。预计不会。在这个例子中，选择使敏感性（真阳性率）和特异性（真阴性率）之和最大化的分界点。ROC 曲线是每个可能的截点值的敏感性与特异性的关系图。AUC 表征了预测变量值对患者进行分类的能力，无论具体的切点如何。由于 ROC 曲线是根据有限的数据样本和可能的切点构建的，因此我们计算的 AUC 是真实 AUC 的估计值，并且具有通过置信区间测量的不确定性。与具体的切点无关。由于 ROC 曲线是根据有限的数据样本和可能的切点构建的，因此我们计算的 AUC 是真实 AUC 的估计值，并且具有通过置信区间测量的不确定性。与具体的切点无关。由于 ROC 曲线是根据有限的数据样本和可能的切点构建的，因此我们计算的 AUC 是真实 AUC 的估计值，并且具有通过置信区间测量的不确定性。

尽管存在其他方法，但使敏感性和特异性之和最大化的切点是 ED 文献中最常用的方法。例如，如果最大化准确度（正确分类的百分比）对于分析来说更重要，则将导致第 5 周的切点为 3.7 磅。最大化 F1 分数（基于精确度和召回率的准确度衡量标准）将导致第 5 周的切点为 1 磅。切点 R 包包含 14 种可能的估计切点的方法，第 5 周 ROC 分析的可能切点范围为 1 到 7.7 磅（M = 4.9，SD = 2.1）。

逻辑回归
最后，我们在每周的治疗中使用逻辑回归，并使用一组系数（患者入院时的 %EBW、该周的体重增加以及前两个变量之间的相互作用）来预测患者是否会体重增加。治疗20周后恢复。与 ROC 分析类似，我们报告 AUC、其置信区间以及敏感性和特异性。这些模型的性能优于 ROC 模型。我们报告了患者达到 95% EBW 的估计概率，作为患者入院时 %EBW 及其特定周体重增加的函数（参见表 2）。

所有分析均使用 R 版本 4.3.0 [ 32 ]进行。使用基本 R（lm 和 glm）、lme4 版本 1.1-33 [ 33 ] 和 lmerTest 包版本 3.1-3 [ 34 ]完成拟合。使用 pROC 版本 1.18.0 [ 35 ] 和 cutpointr 版本 1.1.2 [ 36 ]进行 ROC 分析。模型系数及其相应的标准误差一起呈现。目标包版本 0.14.2 [ 37 ] 用于项目管理。

结果
患者特征
AFRID 患者开始治疗时平均体重为 92 磅 (SD = 25.6)，平均需要增加 16.9 磅 (SD = 9.6) 才能恢复体重。治疗 20 周时，几乎一半的患者达到了 95% 的 EBW（图 1a）。第 20 周时他们的体重（以目标的比例表示）呈正态分布；治疗 20 周后，大多数患者的 EBW 集中在 95% 左右。

图。1
图1
ROC 分类和错误分类。a第 20 周每位患者的体重，以 EBW（x 轴）与患者累积分数（y 轴）的比例表示。0.25、0.50 和 0.75 处的水平虚线给出了分布的下四分位数、中位数和上四分位数。20 周时的平均和中位 %EBW 约为 95%，其中大约一半患者较高，一半较低。b使用治疗前 8 周体重变化的 ROC 曲线，从浅蓝色（第 1 周）到深蓝色（第 8 周）。最高 AUC 曲线以橙色显示，对应于治疗第 5 周。CROC 模型的 AUC 使用治疗第 1 周至第 19 周的体重变化。除了预测性能最初有所提高之外，ROC 模型的 AUC 徘徊在 0.70（深蓝色线）左右，置信区间很宽（蓝色阴影带）。d第 5 周体重变化的经验累积分布，按达到目标 95% 的患者（蓝色）和未达到目标的患者（橙色）分组。垂直虚线代表第 5 周 ROC 分析确定的体重增加临界点，因此预测 6.2 以上的任何人都将达到 95% EBW，而低于 6.2 的任何人则预测不会达到。e根据 ROC 分析是否正确或错误地使用第 5 周的分界点对患者进行分组，患者每周入院后的平均 (+−se) 体重变化。深蓝色线是达到目标但预计不会达到目标的患者和深橙色线是未达到目标但预计会达到的患者。较浅的线是 ROC 算法正确预测结果的情况。打印每个类别的患者人数。(f)将每个治疗周的平均 (+−) 体重绘制为 EBW 的比例。水平虚线给出 95% EBW

全尺寸图像
平均而言，患者的体重随时间呈对数增加（b = 4.1 ± 0.29，p  < 0.001）。患者在治疗开始时体重增加较多，随着治疗的进展，体重增加速度减慢。生长轨迹因患者而异（有些更快，有些更慢），并且最好分类为连续曲线（随机效应 SD = 3.4），而不是分类为“慢”和“快”进展等类别。当体重表示为患者 EBW 的比例时，变化率更加线性 (b = 0.04 ± 0.003，p  < 0.001)。

ROC分析
ROC 分析显示，第 1-8 节的体重变化与第 20 周达到 95% EBW 显着相关（图 1 b、c）。第 1-8 周的 AUC 值范围为 0.62 至 0.72（见表 1）。最早的预测因子是从治疗开始（即第 0 周）到治疗第 1 周体重增加 1.2 磅（AUC = 0.62 [0.52, 0.72]，敏感性 = 0.43，特异性 = 0.85），最强的预测因子是体重增加从治疗开始到第 5 周，体重增加了 6.2 磅（AUC = 0.72 [0.63, 0.81]，敏感性 = 0.39，特异性 = 0.95）。

表 1 ROC 分析，成功 = 第 20 周达到 95% EBW
全尺寸桌子
错误分类
ROC 分析对一些患者进行了错误分类，导致预测结果与该患者的实际结果不匹配。第 5 周 ROC 分析确定的体重增加临界点（达到 95% EBW 的最强预测因子；图 1d–f) 对 34.6% 的患者进行了错误分类。四种可能的结果是：(1) 模型正确预测患者将在 20 周内达到 95% EBW (n = 26)，(2) 模型正确预测患者不会达到 95% EBW (n = 57) )，(3) 模型错误地预测患者将达到 95% EBW (n = 3)，(4) 模型错误地预测患者不会达到 95% EBW (n = 41)。该模型在预测患者会成功时犯的错误最少（3/29 = 10.3% 错误发现率），而在对实际成功的患者进行分类时犯的错误最多（41/67 = 61.1% 假阴性率）。图 1f 有助于解释原因。未达到 95% EBW（浅橙色和深橙色）的患者入院时平均 EBW 百分比较低。ROC 模型错误地预测了患者开始时的 %EBW 较低，但体重却迅速增加（深橙色）的情况。达到 95% EBW（浅蓝色和深蓝色）的患者在入院时开始具有较高的 %EBW。在这种情况下，较慢的体重增加仍可能导致 20 周时 EBW 达到 95%（深蓝色）。然而，ROC 分析确定的切点较高（第 5 周时为 6.2 磅），因此这些患者被错误分类。各个患者的体重轨迹在附加文件1 ：S1中给出。

入院时包含 %EBW 的型号
误分类案例的模式如图 1所示e、f 表明，仅体重增加可能无法传达足够的信息来准确预测患者是否会达到 95% EBW。除了体重增加之外，考虑患者入院时的 %EBW 可能会有所帮助。考虑到这一点，我们拟合了一系列逻辑回归模型，每个治疗周都有一个模型，其中包括患者入院时的 %EBW、该周的体重增加以及它们的相互作用，以预测患者达到 95% 的概率第 20 周的 EBW。这种方法类似于 ROC 分析，但可以包含多个变量作为预测因子，在本例中为早期体重增加以及患者距治疗开始时 EBW 的距离。这种方法优于 ROC 分析（第 5 周 AUC = 0.90 [0.85, 0.95]，敏感性 = 0.85，特异性 = 0.8）。

表2显示了根据入院 %EBW 和治疗第 5 周时增加的体重，在第 20 周达到 95% EBW 的估计概率（带有标准误差）。附加周的结果显示在附加文件1：S2中。各列中是不同的体重增加切点（以磅为单位），各行中是不同的 EBW 起始比例，每个单元格给出了第 20 周达到 95% EBW 的估计概率。例如，患者以 75% 开始治疗EBW 并在 5 周内增加 6 磅，在第 20 周达到 95% EBW 的可能性为 20 ± 10%，但以 85% EBW 开始治疗并在第 5 周增加 6 磅的患者的可能性为 74 ± 7%。

表 2 Logistic 回归模型——第 20 周达到 95% EBW 的概率 (P (SE))
全尺寸桌子
讨论
本研究旨在评估早期体重增加，作为在 ARFID 患者的大型自然虚拟门诊环境中第 20 周实现 95% EBW 的预测因子。当我们使用与之前的研究类似的统计方法进行ROC分析时，仅使用早期体重增加，不考虑入院时的 %EBW，结果与之前 AN的研究一致[ 21、22、23、24、25 ]]。ARFID 的早期体重增加预测在第 20 周达到 95% EBW。具体而言，治疗第 1 周增加 1.2 磅是最早的预测因素，到第 5 周增加 6.2 磅是达到 95% EBW 的最强预测因素。然而，该分析以两种方式对患者进行了错误分类：当患者达到 95% EBW 时，预测患者在第 20 周时不会达到 95% EBW ；当患者未达到时，预测患者在第 20 周时将达到 95% EBW。考虑入院 %EBW 的逻辑回归模型优于 ROC 分析，并正确预测了更多患者。总而言之，结果表明，对于需要体重恢复的 ARFID 患者，早期体重增加是治疗 20 周时 95% EBW 的有用预测指标。结果与研究一致，该研究表明治疗早期较大的行为改变可预测更好的治疗结果[ 38 ]。

ROC 分析的性能
治疗结果的预测因子的有用程度取决于它们预测结果和对患者进行分类的准确程度。使用 ROC 分析时，大约 35% 的患者被错误分类。大多数错误是患者的 EBW 达到了 95%，而他们预计不会达到；这些患者达到 EBW 所需增加的体重较少，并且低于 ROC 分析确定的临界点。ROC 分析最准确地预测，如果患者需要增加更多体重才能达到 EBW，并且增加速度较慢，则他们将无法达到 95% EBW。鉴于错误分类的普遍存在，ROC 分析中最强和最早的预测因子不应被视为规则，而应作为指南。

由于 ROC 分析对患者进行分类的方式（第 20 周高于 95% EBW 或低于 95% EBW），可能会发生错误分类。%EBW 是连续变量，而不是分类变量。事实上，我们样本中患者 20 周时的 %EBW 呈正态分布，约为 95%。分类不为预测提供任何额外的上下文；这对于早期体重增加临界点但未达到 95% EBW 的患者（例如，第 20 周 EBW 为 94.9% 的患者）尤其重要。此外，体重进展也会波动。根据所选的预测周，患者可能会在治疗的一周内超过 ROC 分析确定的临界点，但在下一周不会超过。

早期体重增加模型，包括入院 %EBW
为了应对 ROC 分析的错误分类模式，我们拟合了额外的逻辑回归模型，除了体重增加之外，还使用患者入院时的 %EBW 作为预测因子。这些模型的表现优于 ROC 分析，并通过显示患者在治疗 20 周时最终达到 95% EBW 的概率提供了额外的背景信息，而不是仅仅预测患者会或不会达到该水平。这些结果表明，对于入院时 %EBW 不同的患者，在第 20 周达到 95% EBW 的概率是不同的，即使他们在某一周体重增加相同。

这些结果表明，入院时的 %EBW 是预测体重恢复时需要考虑的一个重要变量，并且不应对所有患者使用相同的切点。逻辑回归模型提供了一种更加个性化的方法来预测患者的成功，并可以帮助提供者更准确地评估可能的体重目标结果。逻辑回归还提供了一个简单的框架，允许在未来的研究中包含额外的变量，这可能会进一步改善预测。未来的研究应该检验这些发现的临床意义。开始治疗时 %EBW 较低的患者是否需要在治疗早期增加体重以增加 20 周时达到 95% EBW 的可能性，或者他们是否需要更长的疗程（超过 20 周）才能达到 95% EBW ？

临床意义
这项研究的结果强调了早期体重增加对于需要恢复体重的 ARFID 患者治疗的重要性。然而，根据 ROC 分析，谨慎制定早期体重增加目标至关重要，因为这些基准经常错误地分类谁将在第 20 周达到 95% EBW。相反，早期体重增加目标的确定应考虑到考虑患者入院时的EBW。例如，一名患者以 75% EBW 开始治疗并在第 5 周时体重增加 7 磅，该患者在第 20 周时有 35% 的机会达到 95% EBW，而一名患者以 90% EBW 开始治疗并达到相同的 7 磅体重增加到第 5 周，有 93% 的可能性在第 20 周达到 95% 的 EBW。因此，

优点和局限性
这项研究并非没有局限性。接受治疗的患者并不总是能够提供完整的数据。有些患者提供的体重测量结果比其他患者更一致，这可能会导致不同类型的抽样偏差。我们分析的一个重要部分是确定简单的 ROC 分析对个体患者进行错误分类的方式，并且在这种情况下处理缺失数据是复杂的。在某些情况下，使用统计程序（即 MICE）估算缺失值可能有助于减少 ROC 切点的偏差，但在我们的情况下可能不一定有显着帮助。我们结果中的切点估计和这些估计的变异性与以前的文献一致。此外，我们错误分类分析的目的是根据患者的实际结果评估 ROC 分析的估计值。出于这些原因，我们选择分析可用的数据，而不是估算或推断缺失值。然而，我们认识到缺失数据以及我们围绕这些数据做出的决策所带来的局限性。

我们将跨演示文稿的 ARFID 诊断折叠成同质样本，但研究支持 ARFID 演示文稿是独特且异构的 [ 39 ]。未来的研究应该评估不同演示中早期体重是否存在差异。特别是，与其他表现相比，担心厌恶后果的患者最有可能以较低的体重和最近的急性体重减轻来接受治疗[ 39 , 40 ]。我们的研究使用了个体化目标体重方法，因此很难与使用第 50 个百分位 BMI 作为目标体重的 AN 随机对照试验进行比较[ 21、22、23、24、25 ]。我们只考察了恢复的一个方面（即体重恢复）；我们的数据并没有说明早期体重增加是否与 ARFID 认知症状的变化有关。此外，我们使用第 20 周作为结果评估点，这对应于临床试验中描述的大多数患者完成 FBT 的时间 [ 21、22、23、24、25 ] ，但可能并不总是对应于临床试验的结束时间。在自然环境中进行治疗，因为患者可能会停留更长的时间来实现治疗目标。最后，样本主要是接受 FBT 的年轻白人女性，因此结果可能无法推广到非白人患者、成人或其他治疗方式。

尽管存在这些局限性，这项研究还是有几个优点。我们使用统计方法来评估 ROC 分析准确预测治疗结果的能力。我们提供了具有更好预测准确性的替代模型的结果。最后，我们有一个大样本量，其大小与 AN FBT 早期体重增加的类似评估相当。

结论
早期体重增加可能是一个有用的指标，可用于预测 ARFID 患者在第 20 周时达到 95% EBW。然而，除了预测模型中的体重增加之外，还包括入院时的 %EBW 可以提高预测准确性。早期体重增加目标应考虑 ARFID 患者门诊样本的入院 %EBW，尽管需要更多研究来确定这些发现的临床意义。结果还需要扩展到其他治疗方式（例如 ARFID 认知行为疗法（CBT-AR））和 ARFID 演示。