利用深度学习分析电子健康记录中的抗抑郁药治疗反应表型

《Translational Psychiatry》：Phenotyping antidepressant treatment response with deep learning in electronic health records

　　

摘要

在电子健康记录系统中实现高效、准确的抗抑郁药治疗反应表型分析，有望推动精准精神病学的发展，但目前仍面临诸多挑战。越来越多地，基于深度学习的人工智能方法在处理复杂的分类问题时展现出巨大潜力。在此，我们系统评估了八种基于深度学习的语言模型在真实医疗环境中对抗抑郁药反应的分类性能。我们从马萨诸塞州总 Brigham 医疗系统的电子健康记录数据仓库中获取了1990年至2018年间患有抑郁症且伴有抗抑郁药处方的成年人的数据（共111,563例）。我们在患者开始服用抗抑郁药后的4至12周内收集了临床记录（共3996份），并经过人工审核，将患者的抑郁症状改善情况分为“有所改善”或“无改善迹象”，以此作为模型开发和评估的依据。这些表型分析模型表现良好，大多数模型的接收者操作特征曲线下面积超过0.80。例如，采用滑动窗口技术的BERT-large模型的AUROC值为0.84，阳性预测值为0.80，特异性为0.87。我们的研究结果表明，将深度学习语言模型应用于电子健康记录数据，能够准确地在真实医疗环境中判断抗抑郁药的治疗效果。