编辑推荐：
为解决非洲裔美国人心理健康差异研究的区域空白问题，东弗吉尼亚医学院等机构研究人员开展相关研究。他们发现 MAD 等疾病患病率高，且明确多种影响因素。研究结果为干预和政策制定提供依据，推荐科研读者阅读。
在当今社会，心理健康问题日益受到人们的关注。据统计，在美国，每年约有 19.86% 的成年人受到精神疾病的困扰，这一数字接近 5000 万，其中 4.91% 的人患有严重精神疾病。然而，不同种族、性别和社会经济背景的人群，在心理健康方面面临着截然不同的境遇。
非洲裔美国人作为美国人口的重要组成部分，占比达 13.6%，但他们在心理健康护理方面却面临着诸多独特的挑战。社会经济因素让这些问题愈发严重，20.1% 的非洲裔美国人生活在贫困之中，10.8% 的人没有医疗保险。尽管非洲裔美国人患精神疾病的比例与普通人群相近，但他们在获取高质量心理健康护理服务时却困难重重。每三个有需求的非洲裔美国人中，只有一人能得到相应的护理服务，与非西班牙裔白人相比，服务使用率更低。
造成这种差距的原因是多方面的。种族和民族偏见、社会对精神疾病的污名化、经济和地理因素导致的医疗服务可及性有限、历史创伤、对医疗系统的不信任、医疗服务质量欠佳以及缺乏具有文化适应性的服务等，都是非洲裔美国人在心理健康护理道路上的 “绊脚石”。此外，在诊断方面也存在差异，与白人相比，非洲裔美国人更常被诊断为精神分裂症，而被诊断为情绪障碍的频率较低。而且，患有精神疾病的非洲裔美国人，尤其是精神分裂症、双相情感障碍和其他精神病患者，比其他种族的人更容易被监禁。
尽管针对心理健康差距的研究越来越多，但在区域层面，对于非洲裔美国人心理健康障碍的具体模式、预测因素和结果，人们的了解还十分有限。为了填补这一空白，来自美国东弗吉尼亚医学院（Eastern Virginia Medical School，EVMS）等机构的研究人员，在《Scientific Reports》期刊上发表了题为 “Predicting mental health disparities using machine learning for African Americans in Southeastern Virginia” 的论文。他们希望通过这项研究，深入了解特定区域内非洲裔美国人的心理健康状况，为制定有针对性的干预措施和政策提供有力依据。
研究人员采用了多种技术方法来开展这项研究。在数据处理和分析阶段，他们使用 R 语言的 tidyverse 包进行数据清洗和初步探索性分析，Python 的 pandas、numpy、scipy.stats、scikit-learn 和 statsmodels 等库用于机器学习模型的实现和评估，而 SAS 则用于进行复杂的统计程序。在机器学习模型构建方面，运用了梯度提升（Gradient Boosting，GB）、随机森林（Random Forest，RF）、人工神经网络（Artificial Neural Network，ANN）、逻辑回归（Logistic Regression，LR）和朴素贝叶斯（Naive Bayes，NB）等模型，并通过网格搜索和 5 折交叉验证对模型超参数进行调优，以确保模型的准确性和可靠性。最后，利用逻辑回归分类器开发了预测列线图（nomograms），直观展示风险因素及其对疾病概率的贡献。
下面来看看具体的研究结果：
1. 患病率
研究人员分析了 2016 - 2020 年美国东南部弗吉尼亚地区非洲裔美国成年人的相关数据，发现情绪情感障碍（Mood Affective Disorders，MAD）最为常见，约占病例总数的 41.66%；其次是精神分裂症谱系及其他精神病性障碍（Schizophrenia Spectrum and Other Psychotic Disorders，SSDD），占比约 39.57%；精神和行为障碍（Mental and Behavioral Disorders due to Psychoactive Substance Use，MBD）占 14.30%；神经症、应激相关障碍和躯体形式障碍（Neurotic, Stress - related, and Somatoform Disorders，NSRS）占 4.46%。
2. 人口统计学、行政、临床和共病特征
从性别分布来看，女性在 MAD 和 NSRS 患者中占比较高，分别为 54.54% 和 56.50%，而在 SSDD 和 MBD 患者中，女性占比相对较低。患者的平均年龄在 30 多岁到 40 多岁之间。在入院类型方面，所有精神疾病患者中，急诊入院最为常见，MBD 组尤为突出，占比 71.28%。在保险类型上，SSDD 患者中享受医疗保险（Medicare）的比例较高，为 34.21%；MBD 患者中使用医疗补助（Medicaid）的比例较高，为 26.08%。共病情况也各有特点，SSDD 患者共病较少，28.24% 的人没有共病；MBD 患者则有较高比例存在多种共病，10.37% 的 MBD 患者有 5 种及以上共病。此外，不同疾病患者的住院时长（Length of Stay，LOS）也存在差异，SSDD 患者住院时间最长，平均为 8.54 天。
3. 组间差异
在性别差异方面，SSDD 患者中男女差异最为显著（24.1%，p<0.0001）。年龄差异在 MAD（2.9 ± 0.2，p<0.0001）和 MBD（4.4±1，p<0.0001）组中也具有统计学意义。医疗保险覆盖情况在不同疾病组间差异明显，SSDD（31.6%，p<0.0001）和 MBD（57.3%，p<0.0001）组差异突出。有初级手术的患者与无初级手术的患者相比，在所有疾病组中都有显著差异，如 MAD（57.5%，p<0.0001）、SSDD（60.6%，p<0.0001）和 MBD（7.1%，p<0.0001）。虽然所有组的并发症发生率都较高，但差异未达到统计学意义。急诊入院类型在 MBD 组差异显著（42.6%，p<0.0001）。住院时长分析显示，SSDD 组男性住院时间明显长于女性（2.1 ± 2，p<0.0001）；术后住院时长在 NSRS（0.9+2，p<0.05）和 SSDD（2.1±2，p<0.0001）组也存在显著性别差异。
4. 患者总费用差异
研究发现，不同因素对患者总费用有显著影响。性别方面，SSDD 男性患者费用比女性高 5.8%（p<0.0001）。医疗保险受益人的费用普遍较高，MAD（7.5%，p<0.0001）和 SSDD（16.8%，p<0.0001）组差异显著。并发症的存在会增加总费用，在 MBD 和 SSDD 组效果显著，但未达统计学意义。不同入院类型费用差异明显，急诊入院通常费用更高，如 NSRS（43.0%，p<0.0001）和 MBD（33.8%，p<0.0001）。共病数量与费用相关，MBD 患者从 4 种共病增加到 5 种及以上时，费用增加 25.5%（p<0.0001）。
5. AI 和 ML 模型性能
通过 100 次重复的 5 折交叉验证评估模型性能，结果显示，在预测 MBD 时，GB 模型表现最佳，AUC 为 0.955，CA 为 0.929，F1 为 0.747，Precision 为 0.79，Recall 为 0.709。在 MAD 和 SSDD 预测中，GB 模型同样表现出色，AUC 分别为 0.832，F1 分别为 0.719 和 0.709 。总体而言，GB 模型在所有疾病类别中表现优于其他模型。
6. 预测列线图结果
研究人员为 MAD、MBD 和 SSDD 开发了预测列线图。对于 MAD，酒精和药物使用是重要预测因素，且存在地区差异，波奎松市（Poquoson City）居民影响较大。MBD 的关键预测因素包括心理因素、年龄，老年人患病可能性更高，同时并发症和肝功能等临床因素也很重要。SSDD 的主要预测因素有精神症状、药物使用，以及保险类型和居住县等人口统计学因素，医疗保险和萨福克市（Suffolk City）等地区与更高患病概率相关。
研究人员通过这项研究，揭示了美国东南部弗吉尼亚地区非洲裔美国成年人心理健康的诸多重要信息。MAD 和 SSDD 的高患病率，意味着该地区这一人群面临着沉重的心理健康负担，急需针对性的干预措施。性别、年龄、共病和保险类型等因素对心理健康结果有着显著影响，这提示在制定干预策略和政策时，必须充分考虑这些因素。
机器学习算法在研究中的应用，为心理健康研究开辟了新的道路。GB 模型的出色表现，展示了其在预测心理健康结果方面的强大能力，有助于更精准地识别高风险个体。预测列线图则为临床医生提供了实用工具，能帮助他们根据患者的多种特征，更准确地评估患病风险，进而制定个性化的干预方案。
然而，这项研究也存在一些局限性。机器学习算法在心理健康诊断中的应用面临挑战，不同模型的超参数调整复杂，且受数据质量影响大。回顾性数据可能存在偏差，无法确定因果关系。ICD - 10 编码虽有标准化优势，但可能无法完全反映心理健康状况的复杂性。研究结果的普适性有限，仅针对特定地区。处理缺失数据的方法也可能影响分析的准确性。
尽管存在这些不足，该研究依然为心理健康差距研究做出了重要贡献。它为未来研究指明了方向，比如在更广泛人群中验证结果、探索针对特定需求的干预措施的有效性，以及深入研究心理健康差距的经济影响等。相信随着后续研究的不断深入，我们将能更好地理解和解决非洲裔美国人以及其他弱势群体的心理健康问题，推动心理健康护理领域朝着更加公平、有效的方向发展。
