编辑推荐：
为解决 SPMI 患者再住院风险预测问题，蒙特利尔某三级医院研究人员开展门诊叙事笔记文本挖掘研究。结果发现相关词语对住院风险有影响，能改进预测模型。该研究有助于预防高风险患者再住院，推荐科研读者阅读。
在当今社会，心理健康问题日益受到关注。世界卫生组织数据显示，全球每八个人中就有一人患有精神障碍，焦虑和抑郁障碍最为常见。在美国，6.7% 的住院病例是由精神和物质使用障碍导致的，且这部分患者的再入院率相当高，其中严重持续性精神疾病（SPMI，如精神分裂症、分裂情感性障碍、双相情感障碍等）患者频繁的再住院现象，成为了医疗费用的重要负担。据统计，2019 年美国成年人精神障碍治疗支出高达 1065 亿美元，其中 28.7% 花在了急诊和住院治疗上。
面对如此严峻的形势，提前识别有（再）住院风险的患者，成为预防精神卫生保健政策的关键第一步。早期预测住院风险多依赖回归模型，近年来机器学习（ML）算法崭露头角，展现出更好的性能。比如，莫雷尔（Morel）等人分析了 65000 多名精神健康和药物滥用患者的 97000 多次入院数据，发现极端梯度提升算法在预测再入院方面表现优于回归模型；布兰克斯（Blankers）等人也发现梯度提升算法在预测精神科危机护理接触后 12 个月内的住院情况中表现最佳。然而，这些研究主要聚焦于特定算法的比较，对于如何更精准地获取患者信息以优化预测模型，仍有待探索。
同时，随着电子病历的广泛应用，文本挖掘和自然语言处理技术的发展，为从患者电子病历的非结构化文本中提取信息提供了可能。虽然文本挖掘在精神病学研究中的应用历史不长，但已有研究显示出其潜力，如通过挖掘出院叙事笔记来预测早期再住院风险。不过，之前很少有研究关注门诊叙事笔记的文本挖掘。
基于这些背景，来自蒙特利尔某三级医院的研究人员在《Translational Psychiatry》期刊上发表了题为 “Text mining of outpatient narrative notes improves prediction of hospital readmission in patients with severe and persistent mental illness” 的论文。他们想搞清楚，对 SPMI 患者的门诊叙事笔记进行文本挖掘，能否加强对即将到来的再住院概率的预测？研究最终发现，门诊临床笔记中某些词语的出现对即将到来的住院风险有显著影响，通过文本挖掘提取健康状况信息，可以改进再住院风险预测模型，还再次证实了 CTO（法律强制治疗令）和 LAIs（长效抗精神病注射剂）能降低 SPMI 患者再住院风险，而患者退出门诊护理会增加风险。这一研究成果为识别高风险 SPMI 患者、推进精神卫生保健服务、减轻医疗系统负担提供了重要依据。
为了完成这项研究，研究人员采用了多种技术方法。首先，他们对医院 SPMI 门诊 2016 - 2020 年的所有叙事笔记进行了回顾性研究，收集了患者的人口统计学、护理利用数据以及门诊病历中的非结构化文本数据。然后，运用命名实体识别（NER）模型对笔记进行处理，该模型基于深度卷积神经网络，能从门诊笔记的 “Objective” 字段中识别和分类关键词，将其分为外貌、行为、危险、冲动控制等九类。研究人员还对开源预训练模型 “ScispaCy” 进行了微调，以更好地提取与 SPMI 患者精神症状相关的关键词。最后，利用混合效应逻辑回归模型来估计患者下次门诊就诊前再次住院的可能性，该模型综合考虑了多种医疗干预措施、患者就诊依从性以及通过文本挖掘提取的患者健康状况等混杂变量。
下面我们来看看具体的研究结果。
- 文本挖掘预测临床病程的关键词：研究人员通过对门诊临床笔记进行文本挖掘，发现某些词语的出现与即将到来的住院风险之间存在显著关联。“稳定” 一词在非住院前的门诊就诊记录中出现的比例较高，达到 56.5%，而在住院前最后一次门诊就诊记录中，这一比例大幅下降至 29.5%。相反，在住院前的门诊就诊中，“风险”“精神病的”“脆弱的” 等词的使用频率明显增加。这就好比给医生们一个 “预警信号”，看到这些词，就要多留意患者的住院风险啦。
- 通过文本挖掘改进预测模型：研究人员构建了两个模型进行对比分析。模型（1）没有控制从临床笔记中提取的患者健康状况特征，而模型（2）则考虑了这些因素。从结果来看，模型（2）在估计变量系数方面更准确，能更好地体现因果推断的可信度。以处方变更为例，模型（1）未考虑健康状况时，显示处方变更与住院风险有很强的正相关；而模型（2）控制健康状况后，处方变更的系数估计值和显著性水平都有所下降。这表明，忽略健康状况这一混杂因素，可能会导致结果不可靠。另外，模型（2）还揭示出，稳定的评估以及 “Objective” 字段中对思维内容的积极评价能显著降低住院风险，而对语言的负面评价则会增加风险。
- 精神科干预措施对住院风险的影响：通过模型（2）分析发现，研究结果与现有文献相符，并带来了新的发现。CTO 患者在接受 CTO 干预前，住院风险极高，平均住院几率增加了 exp (2.114)=8.281 倍。在 CTO 干预期间，风险虽有所降低，但仍高于非 CTO 患者。LAIs 则能显著降低住院风险，几乎减半，为 exp (?0.708)=0.458 倍。刚出院的患者再住院风险也很高，医院出院这一因素会使再住院几率增加 exp (2.520)=12.428 倍，这与临床中的 “旋转门” 现象一致，即出院患者频繁再入院。此外，患者中断治疗会使住院几率大幅增加，达到 exp (1.317)=3.732 倍，且具有很强的统计学意义。同时，研究还发现模型（1）高估了 CTO 和 LAIs 对住院风险的影响，却低估了出院和中断治疗的影响。
最后，我们来总结一下研究的结论和讨论部分。这项研究表明，文本挖掘技术在精神病学研究中具有重要价值，能够提高对 SPMI 患者再住院风险的预测准确性。虽然临床笔记文本挖掘存在一些局限性，比如自然语言处理技术缺乏医学诊断能力，不同医生的记录风格差异较大，但这些并不妨碍其发挥作用。因为我们并不追求对疾病状态的完美描述，只要能找到与潜在疾病状态高度相关的信息就可以。
研究还强调了持续门诊随访的重要性，错过预约会增加患者病情恶化的风险，而定期门诊就诊对预防再住院至关重要。不过，目前用于提高患者就诊依从性的 CTO 措施可能过于严格，或许可以探索一些更宽松的替代方法，这也为未来的研究指明了方向。
总的来说，这项研究为精神卫生领域带来了新的思路和方法。通过文本挖掘门诊叙事笔记，不仅可以更精准地预测患者的再住院风险，还有助于优化精神卫生保健服务，减轻医疗系统的负担。相信随着人工智能技术的不断发展，像文本挖掘这样的新兴技术将在精神病学研究和临床实践中发挥更大的作用，为更多患者带来福音。
