新的研究表明，机器学习可以通过分析电子健康记录中的常规临床数据来预测精神分裂症和双相情感障碍的发病。这项研究由奥胡斯大学的研究员Lasse Hansen领导，结果显示基于人工智能（AI）的工具在预测精神分裂症方面比预测双相情感障碍更有效，但可以在未来五年内合理准确地预测这两种疾病的发病。
“精神分裂症和双相情感障碍是严重的心理健康疾病，通常会损害患者过上正常生活的能力，”作者在《JAMA Psychiatry》中写道。“尽管这些疾病通常在青少年晚期或成年早期出现，但诊断往往会被延误数年。及时和准确的诊断至关重要，因为诊断延迟会阻碍针对性治疗的启动。此外，未治疗疾病的时间越长，预后就越差。”
Hansen及其同事希望评估使用AI能否帮助加速这些条件的风险人群的诊断。该研究使用了2013年初至2016年底期间，丹麦中部地区所有年龄在15至60岁之间、至少两次间隔至少三个月的精神卫生服务接触记录的人群的电子健康记录数据。总体而言，这个群体包括24,449名年龄在24至42岁之间的人，其中57%为女性。
研究人员使用了一种称为XGBoost的机器学习算法来分析他们的数据。他们首先训练模型，然后在另一组参与者数据上测试其效果。研究团队发现，该算法能够在未来五年内以良好的准确性预测精神分裂症或双相情感障碍的发病。
受试者工作特征曲线下面积（AUROC）测试是一种衡量机器学习模型区分两组数据精确度的方法。该算法在训练集上能以70%的准确率区分正负病例，在测试组中这一比例为64%。
当分别评估这两种情况的风险时，精神分裂症预测的AUROC评分为80%，而双相情感障碍的评分为62%。一般来说，AUROC评分70%或更高被认为是良好到优秀的，但这取决于具体的测试。
“这些发现表明，通过基于常规临床数据的机器学习检测精神分裂症的进展是可行的，这可能会减少诊断延迟和未治疗疾病的时间，”研究人员总结道，尽管他们承认在该模型可以临床实施之前还需要更多的验证工作。
(全文结束)
