基于机器学习构建产后精神科入院预测模型：昆士兰出生队列研究的创新发现

这篇研究利用昆士兰健康管理数据（n=205,495妊娠），首次将产前抑郁筛查量表（EPDS）纳入机器学习模型（梯度提升树 vs. 弹性网络），成功预测产后12个月精神科入院（PPA，发生率0.52%）。模型AUC达0.79，揭示单身母亲、孕期吸烟及精神病史为关键风险因素，为产前干预提供精准筛查工具。

　　

亮点

本研究首次在人口层面将爱丁堡产后抑郁量表（EPDS）产前筛查数据整合至机器学习模型，为产后精神科入院（PPA）提供高精度预测工具。

结果

梯度提升树（GBT）模型表现优异：测试集AUC=0.79（95%CI 0.76-0.82），校准度O/E=0.92。EPDS评分、产前精神诊断（如双相障碍）、单身母亲状态及孕期吸烟被识别为最强预测因子。值得注意的是，模型在未使用门诊心理健康数据的情况下仍保持稳健性。

讨论

GBT算法成功捕捉了产前-产后精神健康的非线性关联，其预测效能超越传统弹性网络模型。孕期EPDS筛查的加入使模型敏感性提升18%，证实了产前抑郁症状对PPA的预警价值。该工具可辅助临床医生在分娩前识别高风险孕妇，优化母婴联合照护资源分配。

局限

未纳入社区心理健康就诊数据，且排除了私立产科患者（约占澳大利亚分娩人群30%）。未来研究需验证模型在更广泛医疗场景中的适用性。

结论

这项覆盖20万妊娠的前瞻性研究证实，机器学习能有效利用常规产检数据预测PPA。通过产前风险分层，可为高危孕妇提供早期干预（如认知行为疗法），降低产后重症精神疾病发生率。

（注：翻译保留原文专业术语如EPDS、AUC等，并采用"产前-产后"等符合中文医学文献表述的连字符用法）