一项新研究显示，人工智能（AI）可以预测精神病患者未来六个月内非自愿入院的风险，从而为预防措施铺平道路。这项研究由奥胡斯大学和中央丹麦地区精神卫生服务的研究团队完成，研究成果发表在《心理医学》杂志上。
该研究团队开发了一种机器学习算法，通过分析电子健康记录数据，能够“学习”识别高风险患者。“这是精神卫生服务中更精准治疗的一大步。我们相信这项技术可以提高我们在患者病情恶化到需要非自愿入院前帮助他们的能力，”奥胡斯大学临床医学系和中央丹麦地区精神卫生服务的教授Søren Dinesen Østergaard表示，他参与了这项研究。
作为临床评估的补充
该机器学习算法可以在患者从自愿住院治疗出院时，识别出未来六个月内有高风险非自愿入院的患者。每100名被算法识别为高风险的患者中，大约有36人将在接下来的六个月内被非自愿入院。相反，每100名被识别为低风险的患者中，约有97人不会被非自愿入院。
“机器学习算法并非完美，但其准确性足以考虑将其用作决策支持工具。重要的是要强调，算法不能替代临床评估，而是作为补充信息，使临床决策更加明智，”Østergaard说。“如果算法在患者出院时识别出高风险，我们可以计划密切的门诊随访，尽早发现并治疗患者的病情恶化。”
从数千个病例中学习
该研究基于2013年至2021年间中央丹麦地区精神卫生服务的50,634例自愿住院治疗的电子健康记录数据。机器学习算法分析了电子健康记录中约1,800个变量（包括诊断、药物、先前的非自愿措施和临床笔记）与随后的非自愿入院之间的关系。“这意味着机器学习算法已经从过去数千个患者的治疗中学习，以造福未来的患者，”Østergaard说。
早期检测身体疾病
预测非自愿入院只是这项技术的一个应用示例。研究团队的发现还表明，机器学习可以用于预测接受精神卫生服务的患者中心血管疾病和2型糖尿病的发展。“严重精神疾病患者的平均预期寿命显著低于普通人群，心血管疾病和2型糖尿病对此类过早死亡贡献巨大，”Østergaard解释道。“根据我们的研究，机器学习可能允许我们更早发现和治疗这些疾病。在某些情况下，我们甚至可能防止它们的发展。”
机器学习需要大数据
机器学习依赖于大型数据集，以确保开发的算法足够准确。在一个新启动的项目中，研究团队正在调查机器学习是否可以预测医院患者（无论他们接受治疗的科室）的心血管疾病和2型糖尿病，方法是分析中央丹麦地区医院约140万成年患者的电子健康记录数据。“处理如此大量的健康记录数据伴随着巨大的责任，我们对此非常重视，”Østergaard说，同时强调这一研究领域的巨大潜力。“数十年来，我们的社会生成了大量的医疗保健数据，其中隐藏着巨大的知识。现在，新技术可以帮助我们将这些知识带出来，使其惠及个别患者。”
(全文结束)
