据世界卫生组织（WHO）统计,截至2020年,全球遭受精神障碍困扰的患者约达10亿人,占全球总人数的七分之一。精神障碍患者在病理性精神症状的支配下,可能会发生暴力行为,如辱骂、悔物、自伤、伤人等。精神障碍患者的暴力行为会损害自身和他人的身心健康,因此,进行精神障碍患者暴力行为识别,实现精神障碍患者暴力行为的预防和干预,对减少精神障碍患者暴力行为的发生具有重要意义。目前,精神障碍患者暴力行为识别的方法主要分为基于量表的评估和基于机器学习算法的预测。国外在精神障碍患者暴力行为评估工具的研究起步较早,而我国在该领域的研究主要是借鉴国外的研究成果,尝试将国外的量表引入我国,但是国家之间精神卫生体系存在差异,国外量表在我国的适用性仍有待考察。近年来,随着“AI+医疗”的发展,各种单一机器学习模型被广泛应用到精神障碍患者暴力行为预测中。然而,由于精神障碍患者暴力行为的诱发因素具有复杂性,且精神障碍患者个体间存在差异性,这会导致单一预测模型难以满足预测准确性和稳健性方面的要求。鉴于基于现有量表评估及基于机器学习预测精神障碍患者暴力行为的方法存在不足之处,本文参考国内外文献,基于我国精神卫生体系,总结精神障碍患者暴力行为的诱发因素,制成量表并以结构化访谈和自我报告的形式收集数据,同时,由医护人员基于MOAS来跟踪评估之后一周内精神障碍患者暴力行为的发生情况,形成精神障碍患者暴力行为预测数据,并构建组合模型来预测精神障碍患者发生暴力行为的情况。本文的研究内容分为四部分。首先,本文对收集到的数据进行缺失值补全及特征分箱等数据预处理工作,并基于单因素分析和随机森林算法筛选对预测精神障碍患者暴力行为有重要影响的因素。其次,本文构建支持向量机、朴素贝叶斯、逻辑回归等单一预测模型及基于投票法的组合预测模型和基于stacking的组合预测模型对精神障碍患者一周内的暴力行为进行预测。然后,通过评估指标对各模型的预测效果进行评估,比较发现,相比于单一预测模型,基于投票法的组合预测模型和基于stacking的组合预测模型表现效果较好。为了检验各模型预测效果的有效性,本文基于McNemar检验对各模型预测效果的差异进行验证,结果表明基于stacking的组合预测模型与基于投票法的组合预测模型及各单一预测模型预测效果间存在显著差异,且基于stacking的组合模型预测效果要优于其他精神障碍患者暴力行为预测模型。最后,本文基于决策树算法进行暴力行为高风险精神障碍患者和低风险精神障碍患者的特征挖掘,形成精神障碍患者暴力行为预警规则,并将其与基于stacking的精神障碍患者暴力行为预测模型预测结果相结合进行精神障碍患者暴力风险等级划分,将精神障碍患者划分为暴力行为低风险、中风险、高风险人群,针对不同风险等级的人群进行个性化干预以减少精神障碍患者暴力行为的发生、节约医疗资源、提升医疗效率。本文有两个创新点:首先,考虑到精神障碍患者暴力行为诱发因素的复杂性和精神障碍患者个体间的差异性,单一预测模型在精神障碍患者暴力行为预测中预测准确性和稳健性方面难以达到要求,因此,本文提出基于stacking的精神障碍患者暴力行为组合预测模型;其次,本文基于决策树算法进行暴力行为高风险精神障碍患者和低风险精神障碍患者的特征挖掘,形成精神障碍患者暴力行为预警规则,并将其与基于stacking的精神障碍患者暴力行为预测模型预测结果相结合进行精神障碍患者暴力行为风险等级划分,以此针对不同风险等级的精神障碍患者进行个性化干预,提高医疗效率。