机器学习预测精神分裂症：五年窗口期的诊断新视角

本文目录：

核心观点

研究背景：精神分裂症等严重精神疾病的诊断，可能在首次发作后长达10年才能确诊，延误治疗对预后不利。
研究方法：
- 研究纳入了24,449名参与者的数据，这些数据来自2013年至2016年丹麦中部地区的精神病学服务记录。
- 通过分析参与者的住院记录文本和关键词，开发并训练了一个机器学习模型。
模型原理：
- 模型基于1,092个“预测因子”（即已在患者身上观察到的、与疾病相关的因素）进行训练。
- 当这些预测因子以特定集群、严重程度增加或频率变化等形式出现时，模型可预测个体在未来五年内发展为精神分裂症的可能性。
关键文本预测因子示例：
- 幻听（听到声音）
- 住院或出院记录
- 与女性朋友的接触（或无接触）
- 早晨的清醒/睡眠时间
- 包含“玩耍”、“游戏”（如棋盘游戏、与医护人员互动）等词汇
- 描述自身症状的能力
研究结果：
- 该模型能够识别出从较轻精神疾病进展为精神分裂症的个体。
- 模型在训练和应用时使用了相同或非常相似的人群数据。
- 尽管研究旨在同时识别双相情感障碍和精神分裂症，但结果显示模型在诊断精神分裂症方面更为准确。

应用人群限制：当前模型仅适用于已出现症状、并从较轻疾病进展为精神分裂症的个体。对于症状轻微或无的个体，预测因子可能不同。
数据泛化问题：研究者强调，机器学习模型必须在与训练样本相同或相似的人群中进行测试。广泛套用特定模型可能导致诊断准确性下降。
研究处于早期阶段：将机器学习应用于严重精神疾病诊断仍处于初步研究阶段，需要更多探索。
疾病异质性的影响：精神分裂症在生物学（如脑成像）和心理上均有明显区别于其他障碍（如心境障碍、人格障碍）的证据，这使其预测相对更可行。但这也意味着模型可能不直接适用于其他异质性更高的障碍。

尽管存在局限，但精神分裂症在生物学上的独特性，为利用机器学习等先进技术改善其诊断流程、治疗和护理带来了希望。随着研究深入和方法进步，精神分裂症谱系障碍患者有望获得更及时的帮助，从而过上更充实的生活。