论文部分内容阅读
目的:尝试应用人工神经网络构建双相抑郁障碍预测模型,探讨和评价人工神经网络应用于双相抑郁障碍预测的效果,为今后临床工作中将人工神经网络应用于双相障碍早期识别提供依据。方法:1研究对象河北省精神卫生中心门诊和住院单相抑郁障碍、双相抑郁障碍患者。共入组120例,单相抑郁障碍组60例,双相抑郁障碍组60例。2入组标准双相抑郁障碍组本次抑郁发作符合《美国精神障碍诊断与统计手册第5版》(Diagnostic and Statistic Manual of Mental Disorders Fifth Edition,DSM-5)双相Ⅰ型障碍,目前为重性抑郁发作(F31.31-F31.5)或双相Ⅱ型障碍,目前为重性抑郁发作(F31.81)的诊断标准;单相抑郁障碍组本次抑郁发作符合DSM-5中重性抑郁障碍,反复发作(F33.0-F33.3)的诊断标准。3资料收集(1)采用自制的一般情况调查表记录患者的一般资料,包括人口学(性别、年龄、职业、婚姻状况、文化程度、平素性格、家族史)、临床特征(伴随特征、起病形式、发病诱因、总病程、本次病程、起病年龄、首发类型、首次抑郁发作年龄、抑郁发作次数、抑郁发作持续时间、自杀未遂次数)等。(2)应用汉密尔顿抑郁量表(Hamilton Depression Scale,HAMD)、蒙哥马利-阿斯伯格抑郁量表(Montgomery and Asberg Depression Rating Scale,MADRS)、汉密尔顿焦虑量表(Hamilton Anxiety Scale,HAMA)、32项轻躁狂症状清单(32-item hypomania checklist,HCL-32)评估其临床症状。应用大体功能评估量表(Golbal Assessment Function,GAF)评估其社会功能。应用艾森克人格问卷(Eysenck personality Questionnaire Questionnaire,EPQ)评估个性特征。应用防御方式问卷(Defense Style Questionnaire,DSQ)评估其防御机制。(3)采用化学发光法检查血清皮质醇、甲状腺功能、性激素。4统计方法采用spss18.0统计软件和medcalc统计软件进行数据录入和统计分析。(1)本研究将120例研究对象按照9:1的比例随机分为训练总集(108例)和测试集(12例)两部分,分别用于模型的建立和测试。为了防止神经网络模型过度拟合,在神经网络模型训练过程中,又将训练总集(108例)按照9:1的比例随机分为训练集(98例)和校验集(10例),利用校验集检验训练效果。(2)采用spss18.0统计软件建立logistic回归、神经网络预测模型。(3)应用medcalc软件绘制各预测模型的受试者工作特征曲线(receiveroperatorcharacteristiccurve,roc曲线),通过roc曲线下的面积(areaundercurve,auc)来比较各模型的预测性能。结果:1两组间36个主要统计指标比较结果起病年龄(z=-3.276,p=0.001)、首次抑郁发作年龄(z=-2.596,p=0.009)、抑郁发作持续时间(z=-5.232,p<0.001)、游离三碘甲状腺原氨酸(z=-2.559,p=0.010)、epq内外向e得分(z=-2.447,p=0.014)、不成熟防御机制均分(z=-2.855,p=0.004)、成熟防御机制均分(z=-2.208,p=0.027)、伴忧郁特征(χ2=4.483,p=0.034)、伴非典型特征(χ2=11.368,p=0.001)、伴精神病性特征(χ2=7.728,p=0.005)、发病诱因(χ2=7.517,p=0.006)、外向冲动性格(χ2=3.896,p=0.048)、epq外向不稳定个性特征(χ2=6.530,p=0.011),这13个指标两组间差异具有统计学意义。2单因素logistic回归分析结果不伴忧郁特征(or=2.286,p=0.036)、伴非典型特征(or=4.600,p=0.001)、伴精神病性特征(or=4.808,p=0.009)、无发病诱因(or=3.016,p=0.007)、起病年龄≤24岁(or=5.500,p<0.001)、抑郁发作次数≥4次(or=2.597,p=0.026)、抑郁发作持续时间≤28周(or=9.284,p<0.001)、外向冲动性格(or=2.375,p=0.032)、游离三碘甲状腺原氨酸≥3.296pg/ml(or=2.890,p=0.008)、epq内外向e得分≥46(or=2.721,p=0.013)、epq外向不稳定个性特征(or=2.800,p=0.012)、不成熟防御机制均分≥5.6(or=2.679,p=0.013)、成熟防御机制均分≤5.1(or=2.696,p=0.013),这13个变量与双相抑郁障碍发生有统计学关系。3logistic回归预测模型的建立与预测结果多因素logistic回归分析结果显示:非典型特征(or=8.846,p=0.001)、无发病诱因(or=5.624,p=0.003)、起病年龄≤24岁(or=6.045,p=0.001)、抑郁发作持续时间≤28周(or=11.047,p<0.001)。这4个变量作为预测变量,得到logistic回归预测模型为:p=1/[1+exp(11.799-2.180×伴非典型特征-1.727×发病诱因-1.799×起病年龄-2.402×抑郁发作持续时间)]。训练总集的预测准确率为81.5%,特异度为77.8%,灵敏度为85.2%;测试集的预测准确率为75.0%,特异度为66.7%,灵敏度为83.3%;总预测准确率为80.8%,特异度为76.7%,灵敏度为85.0%。4神经网络预测模型的建立与预测结果构建模型的变量的标准化重要性由大到小排序依次为抑郁发作持续时间(100.00%)、起病年龄(72.30%)、epq外向不稳定个性特征(56.20%)、伴忧郁特征(46.60%)、伴精神病性症状(29.30%)、游离三碘甲状腺原氨酸(26.30%)、外向冲动性格(25.60%)、epq内外向e得分(24.40%)、成熟防御机制均分(21.10%)、发病诱因(19.30%)、伴非典型特征(15.90%)、抑郁发作次数(11.70%)、不成熟防御机制均分(10.40%)。训练集的预测准确率为85.7%,特异度为91.8%,灵敏度为79.6%;校验集的预测准确率为80.0%,特异度为80.0%,灵敏度为80.0%;测试集的预测准确率为91.7%,特异度为100.0%,灵敏度为83.3%;总预测准确率为85.8%,特异度为91.7%,灵敏度为80.0%。5logistic回归模型和神经网络模型预测效能的比较神经网络模型的总预测准确率为85.8%,logistic回归模型为80.8%。神经网络模型的总预测准确率高于logistic回归模型。神经网络模型的auc为0.902(95%ci:0.835~0.949)、logistic回归模型为0.881(95%ci:0.809~0.933)。其中神经网络模型预测性能较高,logistic回归模型预测性能中等。两预测模型roc曲线下面积间的差异无统计学意义(z=0.961,p=0.336)。结论:应用人工神经网络构建双相抑郁障碍预测模型是可行的。人工神经网络在预测效果上略优于logistic回归模型,但是在对变量意义解释方面,logistic回归分析具有优势。因此,在临床应用中,可以将logistic回归分析与人工神经网络联合应用,为临床早期识别双相障碍提供一种预测方法。