基于电子健康记录与机器学习模型预测轻度抑郁症进展为中度或重度抑郁症

《Scientific Reports》：Development and validation of machine learning-based prediction of depression progression using EHR data: a multi-institutional retrospective cohort study

　　

摘要

抑郁症很常见，但在现实临床环境中，由于结构化症状量表往往无法被一致地记录，因此很难实时监测临床恶化情况。电子健康记录（EHR）使得大规模队列分析成为可能。基于诊断代码的定义提供了一种实用的方法来识别进展风险较高的患者。我们使用了一个多机构数据集（MedStar Health）来研究轻度抑郁症成年人，并评估机器学习模型是否能够预测其在两年内进展为中度或重度抑郁症。队列共纳入803名具有连续两年随访数据的个体。可获取的数据涵盖广泛的人口统计学、临床、实验室、社会经济及医疗利用特征。所用模型包括逻辑回归、随机森林、梯度提升树和深度神经网络（DNN）。梯度提升树表现出均衡的性能，即敏感性与特异性之间的权衡表现良好，且略优于基线患病率；而逻辑回归则展现出最强的整体区分能力与泛化能力。DNN的准确率低于零分类器。这些发现表明，真实世界的EHR数据可以支持抑郁症恶化的风险预测，并具备稳定且具有临床意义的性能。这些模型可能有助于更早识别需要密切监测或针对性随访的患者。