基于常规生物标志物的机器学习模型预测住院精神分裂症患者冲动性

《European Journal of Medical Research》：Predictive value of biomarkers for short?term impulsivity risk in hospitalized patients with schizophrenia: a machine learning study

　　

摘要

背景与目的

冲动性是住院精神分裂症患者中常见且关键的问题。本研究旨在检验客观生物标志物的预测价值，并基于机器学习准确预测冲动性。

材料与方法

利用上海四家精神卫生机构的数据进行了一项回顾性队列研究。训练了五个机器学习模型，基于常规检测的生物标志物和临床变量预测未来的冲动性。模型性能主要通过受试者工作特征曲线下面积（AUROC）进行评估。通过约登最佳截断值处的净获益评估临床实用性。使用 SHAP 分析量化特征重要性。

结果

共纳入 2595 名首发精神分裂症患者。在外部测试队列中，XGBoost 模型取得了最佳的预测性能，AUROC 为 0.847。β2-微球蛋白、d-二聚体、肌酐、肌酸激酶和糖化血红蛋白等生物标志物成为冲动性的重要预测因子。将这些生物标志物纳入模型提高了预测性能和临床实用性。

结论

本研究表明，机器学习模型可以利用常规收集的临床和生物标志物数据预测住院精神分裂症患者的短期冲动风险。添加客观生物标志物提高了预测性能，尤其是在缺乏症状数据时。