首发精神病治疗转归预测机器学习显身手
一种基于机器学习方法的工具可准确预测首发精神病患者第4、52周的治疗结局，平衡精度高达75.0%及73.8%。
失业、教育程度低下、功能缺陷、心理需求未满足可预测第4及52周治疗结局不佳。
尽管精神分裂症的药物及心理治疗已得到了广泛应用，但仍有高达50%首发精神分裂症患者的治疗结局不佳，这些患者可能遭到社会排斥、丧失工作能力，预期寿命缩短可多达25年。
早期识别病程发展不良的患者，可帮助及时修正治疗策略、改善患者结局。然而目前尚无客观工具用来评估首发精神病患者治疗结局不佳的风险。因此，患者及医生急需这样一种客观、有效的预测工具。
近年来，机器学习在人工智能等领域取得了突破性进展，也逐渐应用于精神科诊疗中。日前，来自德国慕尼黑大学等机构的研究者试图基于机器学习，建立一种可预测首发精神病患者治疗结局的工具，并检验了其准确性。研究8月25日发表于《柳叶刀·精神病学》：
研究方法名研究受试者来自于欧洲首发精神分裂症研究（EUFEST），遍布于欧洲44个医疗机构。研究者基于机器学习方法建立了一种工具，用来预测开始药物治疗后第4周及52周时的治疗效果（不佳/良好）。治疗结局不佳定义为功能大体评定量表（GAF）＜65分，结局良好定义为GAF得分≥65分。
为了使预测系统对所有患者具备普适性，排除可能的偏倚，研究者采用重复嵌套交叉验证方法，以防止试验中受试者之间的信息相互泄露。为了使该预测系统在实际临床中更为实用，研究者选取了预测4周结局最为有效的10个预测因素组成简便预测工具，并在名患者中独立验证了该工具的预测准确性。
研究者采用KaplanMeier分析的log-rank方法探讨了停药及再住院对治疗结局的影响，采用广义线性混合效应模型检验了若干基于GAF的预测因素对治疗结局的影响，包括依从性、症状缓解及生活质量等。
主要发现▲采用交叉验证方法对此工具的预测准确性进行了估计，发现4周结局预测的平衡精度（BAC）为75.0%，52周预测的BAC为73.8%；针对44个机构的留一法分析（leave-site-out）显示4周预测BAC为72.1%，52周为71.1%；
▲研究者选取预测因素中前10个组成简易预测工具，在名从未使用过预测模型的患者中验证发现，该简易工具的预测BAC为71.7%；
▲可预测4周及52周治疗结局不佳的因素包括：失业、教育程度低下、功能缺陷、心理需求未满足；
▲可预测52周（1年）后治疗结局不佳的因素还包括：抑郁发作史、男性、自杀倾向；
▲以上52周结局预测因素可帮助识别处于症状迁延不愈、治疗不依从、住院及生活质量不佳风险的患者。
启示本项研究结果表明，基于机器学习方法建立的预测模型可准确预测首发精神病患者第4、52周时的治疗结局，且操作简单、精确度良好，基于患者在治疗前报告的信息及数据，即可预测远期疗效轨迹，有助于优化临床中治疗方案的选择。
然要真的要在真实世界中推广这项预测工具，还应在未来首发精神病患者样本研究中复制试验结果，进一步证实该工具的普适性与准确性。
文献索引：KoutsoulerisN,etal.Multisitepredictionof4-weekand52-weektreatmentout北京白癜风治疗去哪里治疗白癜风的特效药
