《European Child & Adolescent Psychiatry》：Predictive factors for psychotropic medication prescription in child and adolescent psychiatric emergency care: a machine learning approach using a health data warehouse
编辑推荐：
近年来，因精神科问题就诊于急诊科（ED）的儿童与青少年人数有所增加。精神药物治疗在就诊期间及出院时被频繁使用。然而，目前尚无明确的指导方针，且在该领域内对现有实践的描述和理解均十分有限。本研究旨在探索在急诊环境中，导致儿童与青少年在就诊期间及出院时接受精神药物
近年来，因精神科问题就诊于急诊科（ED）的儿童与青少年人数有所增加。精神药物治疗在就诊期间及出院时被频繁使用。然而，目前尚无明确的指导方针，且在该领域内对现有实践的描述和理解均十分有限。本研究旨在探索在急诊环境中，导致儿童与青少年在就诊期间及出院时接受精神药物治疗的因素。研究人员开展了一项回顾性队列研究，纳入了2021年至2025年间在法国巴黎内克尔医院就诊的1,527例患者，使用了临床数据仓库（CDW）数据。研究分析了社会人口学和临床变量、急诊留观期间的精神药物使用情况以及出院时的处方，采用了多水平逻辑回归和梯度提升模型，整合了结构化数据及从自由文本记录中提取的SNOMED概念。在2,060次精神科急诊就诊中，21.9%的患者在急诊期间接受了精神药物治疗，13.9%的患者在出院时获得了处方。急诊内用药主要由急性严重程度指标驱动，包括住院时间延长、年龄较大、精神科诊断以及频繁使用急诊服务，而焦虑障碍则与较低的用药几率相关。相比之下，出院处方与急诊内精神药物使用、精神科诊断及社会经济背景独立相关。同时使用自由文本和结构化数据的模型显著提高了预测性能，从而能够全面理解影响处方的因素。在儿科精神科急诊中使用精神药物反映了急性症状管理和出院决策这两个不同的过程，受不同的临床和社会因素影响。利用非结构化临床数据可加深对这些实践的理解，并可能为未来的指南制定和护理连续性提供依据。
论文解读文章
研究背景与问题
自2010年代以来，儿童与青少年精神障碍的发生率持续上升，尤其在焦虑、抑郁和外化障碍方面表现显著。COVID-19疫情进一步加剧了这一趋势，导致急诊科（ED）因精神科问题的就诊量急剧增加。在美国，2007年至2016年间，所有精神健康障碍的急诊就诊增加了60%，而在疫情后，故意自伤的就诊量激增了329%。在欧洲，特别是法国，也观察到了类似的趋势。然而，尽管精神药物在急诊场景中被频繁使用，尤其是在就诊期间和出院时，但目前缺乏明确的循证指南来指导这种经验性用药。现有实践主要基于专家共识，且在不同专科医生、机构和国别之间存在显著差异。更重要的是，尚无大规模研究能够将临床表现、患者生活背景与精神药物的使用联系起来。因此，亟需深入了解在急诊环境中，促使医生为儿童与青少年开具精神药物的具体决定因素，以填补这一知识空白，并为未来指南的制定提供依据。
研究设计与方法
为探究上述问题，研究人员开展了一项单中心回顾性队列研究。研究利用了由巴黎公立医院集团（AP-HP）管理的临床数据仓库（CDW）数据。研究对象为2021年6月1日至2025年9月30日期间，在法国巴黎内克尔- enfants malades医院儿科急诊就诊的3至16岁儿童与青少年。患者筛选标准包括：(1) 在儿科急诊有记录且停留时间≤48小时的访视；(2) 初始分诊记录显示精神科就诊原因和/或在就诊24小时内由儿童精神科医生撰写了精神科评估记录。研究人员特意未依赖ICD-10诊断编码进行患者识别，以避免其准确性有限的缺陷，并采用跨诊断的精神病学方法。最终纳入1,527例患者，共计2,060次急诊访视。
主要关键技术方法包括：
- 1.
自然语言处理（NLP）管道：基于MedCAT框架，结合法语SNOMED-CT词典，开发了一个命名实体识别与链接（NER+L）工具，用于从急诊报告和精神科评估的自由文本中提取症状和医学概念。随后使用法语ConText规则对提取的概念进行上下文消歧，以确定其归属（患者或家属）和存在与否（肯定或否定）。
- 2.
统计与机器学习建模：
- •
多水平逻辑回归：考虑到同一患者可能有多次急诊访视（19.9%的患者有2至10次访视），研究采用以患者ID作为随机截距的多水平结构，以控制个体内的相关性。通过单变量分析筛选变量（p<0.10），再基于AIC准则进行向后逐步选择建立最终模型。
- •
梯度提升模型：为联合分析结构化数据（社会人口学、病史、诊断编码等）和非结构化数据（从自由文本中提取的概念），研究人员应用了基于梯度提升算法的机器学习（ML）模型。通过网格搜索和五折分层交叉验证调整超参数，并使用SHAP值进行模型可解释性分析。
研究结果
1. 总体特征与处方率
研究人群主要为女性（59.4%），平均年龄12.7岁。近半数患者（48.7%）属于最高剥夺指数（EDI）五分位数。在所有急诊访视中，21.9%（451次）在急诊期间使用了精神药物，13.9%（287次）在出院时获得了处方。在研究期间，急诊就诊总数和急诊内用药概率均呈现显著的上升趋势（分别相对增加39%和83%），而出院处方概率无显著变化。
2. 急诊内精神药物使用的预测因素
- •
多水平逻辑回归结果：住院时间超过12小时是最强的独立预测因素（校正后优势比[aOR]=13.04）。其他独立预测因素包括年龄较大（aOR=1.10/年）、总急诊就诊次数较多（aOR=1.20）以及存在精神科诊断（aOR=1.97）。相反，焦虑障碍与较低的用药几率独立相关（aOR=0.60）。性别和到达时间在校正后不再显著。
- •
结论：急诊内用药主要由急性严重程度的标志物驱动，如住院时间延长、年龄较大、精神科诊断和频繁使用急诊服务。
3. 出院时精神药物处方的预测因素
- •
多水平逻辑回归结果：急诊内精神药物使用是与出院处方关联最强的独立因素（aOR=3.64）。精神科诊断（aOR=2.24）也是独立预测因素。社会经济背景的影响呈非线性：与最贫困的五分位数组相比，只有最不贫困组的患者有显著更高的处方几率（aOR=2.63）。
- •
敏感性分析：排除急诊内用药后，剥夺评分、精神科诊断和住院时间成为出院处方的保留预测因素。
- •
结论：出院处方与急诊内用药、精神科诊断和社会经济背景独立相关，反映了不同的决策过程。
4. 机器学习模型的性能与可解释性
- •
模型比较：对于急诊内用药和出院处方两个结局，结合结构化变量与所有SNOMED概念的梯度提升模型均取得了最高的AUC值，并显著优于仅使用结构化变量的模型（DeLong检验，p<0.01）。
- •
SHAP分析：对于急诊内用药，13个最重要的预测因子来自自由文本概念。对于出院处方，结构化变量（如精神科诊断、年龄、急诊内用药、剥夺五分位数）和自由文本概念（如负罪感、欺凌、嗜睡等）均表现出重要的预测贡献。这表明非结构化临床数据捕捉到了传统结构化数据无法体现的关键临床信号。
讨论与结论
讨论总结：
本研究首次全面刻画了儿童与青少年精神科急诊中的精神药物处方实践，揭示了急诊内用药和出院处方是两个具有不同决定因素的独立过程。研究发现，急诊内用药主要由临床急性严重程度指标驱动，而出院处方则更多受到治疗连续性（如急诊内是否已用药）、精神科诊断和社会经济背景的影响。研究还观察到，法国实践中以氰美马嗪为主的处方模式与国际指南存在差异，凸显了更新和统一临床指南的必要性。此外，社会经济地位的不平等现象提示了儿童精神卫生保健中的公平性问题。虽然机器学习模型的整体区分度中等，但结合自由文本数据显著提升了预测性能，证明了非结构化临床数据的价值。
研究结论翻译：
本研究为急诊护理中的精神药物使用提供了新的见解。出院时的精神药物处方与急诊期间的既往给药、精神科诊断和社会经济背景密切相关，而急诊内用药则主要由急性临床严重程度和重复医疗服务的指标驱动。结合从自由文本文档中提取的SNOMED临床概念的机器学习模型，进一步证明了非结构化数据在捕捉精神科急诊细微临床背景方面的附加价值。这些发现突显了在儿科急诊中围绕精神药物使用的决策复杂性。未来的工作应旨在评估这些处方的影响，以完善临床指南，提高护理公平性，并评估在这一脆弱人群中精神药物处方的适当性和结果。
