基于自然语言处理与电子健康记录的严重精神障碍前驱期跨诊断动态网络分析

本研究通过自然语言处理(NLP)算法提取电子健康记录(EHRs)中6462例严重精神障碍(SMD)患者的前驱特征，采用广义向量自回归面板分析构建动态时间网络模型，揭示了攻击行为(cout=0.103)和流泪(cin=0.134)的核心枢纽作用，发现单相(UMD)、双相(BMD)和精神病性(PSY)障碍前驱网络差异仅3.5%，为跨诊断早期干预提供了新靶点。

　　

在精神健康领域，严重精神障碍(SMD)包括单相情感障碍(UMD)、双相情感障碍(BMD)和精神障碍(PSY)，给患者和社会带来沉重负担。尽管已有研究描述了前驱期症状，但这些症状如何随时间动态演变并相互影响仍不清楚。传统研究方法受限于回顾性偏倚和小样本量，难以捕捉症状间的时序因果关系。

英国伦敦国王学院精神病学研究所早期精神病干预与临床检测(EPIC)实验室的Maite Arribas团队联合多国机构，利用南伦敦Maudsley NHS基金会信托机构6462例患者的电子健康记录(EHRs)，通过验证过的自然语言处理(NLP)算法提取61个前驱特征，每3个月为一个间隔构建了长达2年的动态时间网络。这项开创性研究发表在《Molecular Psychiatry》，首次系统揭示了SMD前驱症状的跨诊断演化规律。

研究采用三大关键技术：1) 基于精确度≥90%的NLP算法从非结构化临床文本提取症状数据；2) 广义向量自回归面板分析建模时间网络，计算部分定向相关系数(z)和节点中心性(cin/cout)；3) 通过Spinglass算法进行社区检测，识别症状集群模式。所有分析均通过250次bootstrap验证稳定性。

主要发现

动态网络特征

饱和模型显示优异拟合度(RMSEA=0.010)，攻击行为→敌意(z12=0.04)和妄想思维?幻觉(z12=z21=0.03)构成最强双向连接。最具预测性的核心症状为攻击行为(cout=0.103)，最具"吸引力"的为流泪(cin=0.134)。

诊断亚型差异

UMD网络中情绪不稳定(cout=0.102)和罪恶感(cout=0.094)起驱动作用，而BMD以妄想→偏执(z12=0.095)为特征。PSY的幻觉-睡眠紊乱-焦虑构成独特社区(出现率12%)。

症状演化社区

跨诊断分析发现三大高频路径：1) 妄想-幻觉-偏执社区(4.5%)；2) 攻击-大麻使用-可卡因使用-敌意集群(2.8%)；3) 攻击-激越-敌意网络(1.9%)。

这项研究首次通过大规模数据证实SMD前驱期存在跨诊断共性，挑战了传统分类诊断边界。攻击行为和情绪症状的中心性提示它们可能是早期干预的关键靶点，而症状社区的发现为修订CHARMS(临床高风险精神状态)标准提供了实证基础。特别值得注意的是，仅3.5%的边在UMD与PSY间存在差异，强烈支持建立跨诊断早期检测服务的必要性。研究采用的EHR-NLP-网络分析方法为精神科症状学研究开辟了新范式，未来可扩展至其他精神障碍的预测干预研究。

局限性包括未纳入功能评估指标，且样本偏向频繁就诊人群。作者建议后续研究结合神经生物学标记，构建更全面的因果解释模型。这些发现已开始指导英国早期干预服务的转型，推动从"诊断后治疗"到"症状预防"的范式变革。