基于多变量深度学习的癫痫患者精神疾病风险预测模型构建与验证

癫痫患者常伴发抑郁、焦虑等精神疾病，临床亟需精准预测工具。印度AIIMS Bhubaneswar团队利用2258例癫痫患者临床数据，采用keras和neuralnet框架构建神经网络模型，预测准确率达97.16%（ROC-AUC 0.974），关键预测因子包括发作年龄、病程及抗癫痫药物(AEDs)使用特征，为早期干预提供AI决策支持。

　　

癫痫患者常陷入"双重打击"困境——除了要应对反复发作的癫痫(Epilepsy)，近三分之一患者还会遭遇抑郁、焦虑等精神疾病。这些共病问题往往比癫痫本身更严重影响生活质量，甚至形成恶性循环：精神症状加重癫痫发作，而癫痫又进一步恶化精神健康。更棘手的是，某些抗癫痫药物(AEDs)如左乙拉西坦(levetiracetam)本身就可能引发精神副作用。面对这种复杂局面，临床医生迫切需要科学工具来预判哪些癫痫患者容易"雪上加霜"。

印度布巴内斯瓦尔全印医学科学研究院(All India Institute of Medical Sciences, Bhubaneswar)的研究团队开展了开创性研究。他们收集了2013-2023年间2258例癫痫患者的临床数据，创新性地运用keras和neuralnet两种深度学习框架，构建了精神疾病风险预测模型。这项发表在《Epilepsy》的研究，通过分析人口统计学特征、发作类型、AEDs用药史等多维数据，最终实现了97.16%的惊人预测准确率。

研究团队采用了几项关键技术：首先通过5折交叉验证确保模型稳健性，利用SHAP值解析特征重要性；其次比较了keras和neuralnet两种神经网络框架性能；最后通过受试者工作特征曲线(ROC)评估模型区分度。所有数据均来自该院癫痫专科的电子病历系统，严格遵循印度医学研究委员会(ICMR)伦理规范。

【研究结果】
• 描述性特征：队列中27.6%患者存在精神共病，平均年龄29.09±19.2岁，男性占比72%。局灶性癫痫占60.7%，病程中位数7.6年。
• 模型性能：neuralnet模型表现最优，准确率97.16%(ROC-AUC 0.974)，显著优于keras模型的92.4%。关键预测因子包括癫痫起病年龄、发作持续时间及特定AEDs使用。
• 特征解析：SHAP分析揭示发作频率>5次/年使精神疾病风险增加2.3倍，而使用丙戊酸钠(valproate)具有保护效应(OR 0.81)。

这项研究开创了癫痫精神共病预测的新范式。通过深度学习捕捉传统问卷难以发现的复杂特征交互，模型能提前识别高风险患者。特别是对AEDs精神副作用的预测，可直接指导临床用药选择——比如对预测高风险患者避免使用易致抑郁的托吡酯(topiramate)。研究者特别指出，海马硬化等神经影像特征未来可进一步优化模型。该成果为实施"癫痫-精神"共病精准防治提供了智能决策工具，有望打破癫痫患者"身心俱疲"的恶性循环。正如通讯作者Biswa Ranjan Mishra强调的，这种AI辅助决策系统将显著提升发展中国家癫痫专科的诊疗效率。