基于机器学习与心理因素的慢性病患者用药依从性预测模型构建及特征重要性分析

慢性疾病患者用药依从性(MAB)低下是全球公共卫生难题。本研究创新性地整合Meta-Theoretic Model of Motivation and Personality (3M模型)框架，通过机器学习算法（包括随机森林、SVM等）分析428名慢性病患者的黑暗三联征(Dark Triad)、一般自我效能感(GSES)、医患信任(WF-PTS)及人口学特征对MAB的影响。结果显示随机森林模型预测准确率达0.637，特征重要性排序揭示自恋(0.208)、医患信任(0.146)、马基雅维利主义(0.141)为关键预测因子，为临床制定精准干预策略提供了跨学科方法论支持。

　　

慢性疾病已成为全球健康的主要威胁，2020至2019年间相关死亡人数激增32%，占全球总死亡率的四分之三。更令人担忧的是，尽管药物治疗是慢性病管理的核心手段，全球患者的用药依从性(MAB)却长期处于不理想状态。这种低依从性不仅导致疾病复发率上升、住院率增加，更造成每年巨额医疗资源浪费。传统研究多聚焦人口学因素或中性人格特质（如大五人格）对MAB的影响，而对具有反社会特征的黑暗三联征(Dark Triad)等负面心理因素关注不足。此外，现有预测方法多采用线性统计模型，难以捕捉复杂因素间的非线性交互作用。

广东外语外贸大学的研究团队在《Healthcare Analytics》发表了一项突破性研究。该研究首次将消费心理学领域的Meta-Theoretic Model of Motivation and Personality (3M模型)引入健康行为研究，构建包含元素特质（黑暗三联征）、复合特质（一般自我效能感GSES）和情境特质（医患信任WF-PTS）的多层次预测框架。研究人员采集428名慢性病患者的多维度数据，应用5种机器学习算法（多元逻辑回归MLR、决策树DT、自适应提升AdaBoost、随机森林RF和支持向量机SVM）进行建模，并通过10折交叉验证评估性能。

研究方法上，采用横断面设计从珠江三角洲三级医院和社区医疗机构招募患者，使用中文版Dirty Dozen量表测量黑暗三联征、GSES量表评估一般自我效能感、WF-PTS量表量化医患信任，MMAS-8量表测定MAB水平。数据预处理包括缺失值处理、分类变量独热编码和连续变量标准化，通过特征重要性分析和ROC曲线评估模型性能。

4.1 共同方法偏差检验与同质性检验
Harman单因素检验显示首因子解释变异为23.14%，排除共同方法偏差。Levene检验证实组间方差齐性(p=0.61)，支持数据合并分析。

4.2 人口学因素差异分析
非参数检验揭示性别、年龄、教育程度、职业类型和疾病严重程度均显著影响MAB(p<0.05)。女性依从性低于男性(U=17898.5)，退休患者显著高于在职人员(H=36.666)，轻度患者依从性优于重度患者(U=17399.5)。值得注意的是，与常规认知相反，高学历患者MAB反而更低，可能源于其对医疗建议的批判性思维。

4.3 变量相关性与信效度
黑暗三联征与MAB呈显著负相关(r=-0.33)，其中自恋维度相关性最强(r=-0.30)。GSES(r=0.11)和医患信任(r=0.22)与MAB正相关。各量表Cronbach's α系数在0.652-0.873之间，满足测量学要求。

4.4 回归分析
分层回归显示，控制人口学变量后，黑暗三联征解释MAB变异的24.1%(B=-0.054)。GSES(B=0.039)和医患信任(B=0.092)分别贡献15%和17.7%的变异解释量，证实心理因素的增量预测价值。

4.5 机器学习分类结果
随机森林在综合模型中的表现最优（准确率0.637，F1值0.544），显著优于单一因素模型。ROC曲线显示心理因素模型的平均AUC达0.660，高于人口学模型的0.627。

4.6 特征重要性分析
随机森林算法揭示：自恋(0.208)>医患信任(0.146)>马基雅维利主义(0.141)>精神病态(0.120)>GSES(0.118)构成前五大预测因子，颠覆了传统研究中人口学因素主导的认知框架。

这项研究通过创新性地整合心理学理论与机器学习技术，首次证实黑暗人格特质对慢性病MAB的负面影响。研究发现自恋特质通过损害疾病应对信心、降低治疗配合度，成为最关键的负面预测因子。医患信任则通过增强治疗信心和情感联结发挥保护作用。方法论上，研究证实随机森林算法在处理心理-行为复杂关系时的优越性，其构建的预测模型为临床开展个性化干预提供了可量化的决策依据。

实践层面，研究建议医疗机构：1) 针对高自恋患者加强疗效反馈和情绪支持；2) 通过疾病知识讲座提升患者自我效能感；3) 利用AI技术动态监测依从性风险。政策层面，提示医保改革应关注心理服务纳入慢性病管理。该成果为行为健康分析(Behavioral Health Analytics)与数据科学的跨学科融合提供了典范，对实现精准健康管理具有里程碑意义。