随着经济的高速发展和生活节奏的不断加快,人们承受着越来越大的压力,心理障碍正逐渐发展成为这个时代全球性的首位疾病。然而我国目前心理障碍患者前往心理门诊就诊的比例只有8.9%,且伴有躯体化症状的心理障碍识别率在我国为10%～21%,一些明显的躯体不适症状导致了患者在综合医院反复就诊得不到明确诊断致使病情曲折,所以在日常进行的健康体检中加入心理健康筛查非常必要。症状自评量表(Symptom Checklist 90,SCL-90)是一个国内外应用广泛的精神症状评定量表,主要适用对象为成年的神经症、适应障碍及其他轻性精神障碍患者。然而我国现在使用的SCL-90版本共90个题目,需20分钟以上填写,在体检场景下体检人群依从性较差,难以全部完成,且现有常模于1986年提出,至今已有30多年的历史,难以满足当前体检人群心理健康测评的需求。近年来,随着机器学习算法的深入发展,将机器学习算法应用于精神科量表优化的研究开始出现。本文利用机器学习算法,使用体检中心收集的数据来简化SCL-90,建立题组模型进行题组间简化,建立题目模型进行题组内简化。为寻找题组模型的最优解决方案,采用5种机器学习算法,循环选用量表中的一个题组作为被预测题组,以预测的允许误差作为优化模型的选择标准。为实现题目的动态缩减,题目模型则在区分前置题组阴阳性的情况下,通过前项特征选择,以敏感度和特异度均高于80%为标准进行简化。通过上述方法生成了SCL-90的简化模型,用于题组和题目的简化。当题组预测的允许误差值设为0.5时,可删减10个题组中的7个题组,预测准确率介于75.9%～81.3%,组内题目验证的敏感度与特异度均达到80%时,每个题组内可以从6～13个题目减少为3～7个。研究结果表明,使用机器学习算法能在保证较高准确率的情况下删减量表的部分题目,得到的动态简化量表由于题量动态缩减,减少了测评时间。此外,本文还提出了体检场景下的SCL-90常模修订方案。通过与四个不同时期的SCL-90样本进行比较,发现当前时期体检场景下的常模与以前的常模数据存在显著差异。使用传统的2分的因子粗分作为体检人群心理健康筛查的临界值,得到的检出率介于35%～51%,与最新的流行病学调查结果不符,因此本文提出了以平均值加一个标准差作为标准分。以标准分作为疾病筛查的临界值,得到的检出率介于10%～20%,与2分作为临界值得到的检出率相比,更为集中。以本文提出的根据现实人群修订的常模数据作为衡量标准,更适用于体检场景。目前,简化的症状自评量表已被应用于多家体检中心为体检人群提供智能心理体检服务。