利用人工神經網絡預測雙相障礙的診斷效能分析.pdf

1、目的：嘗試應用人工神經網絡構建雙相抑郁障礙預測模型，探討和評價人工神經網絡應用于雙相抑郁障礙預測的效果，為今后臨床工作中將人工神經網絡應用于雙相障礙早期識別提供依據。
　　方法：
　　1研究對象
　　河北省精神衛(wèi)生中心門診和住院單相抑郁障礙、雙相抑郁障礙患者。共入組120例，單相抑郁障礙組60例，雙相抑郁障礙組60例。
　　2入組標準
　　雙相抑郁障礙組本次抑郁發(fā)作符合《美國精神障礙診斷與統(tǒng)計手冊第5版》（

2、Diagnostic and Statistic Manual of Mental Disorders Fifth Edition， DSM-5）雙相Ⅰ型障礙，目前為重性抑郁發(fā)作（F31.31-F31.5）或雙相Ⅱ型障礙，目前為重性抑郁發(fā)作（F31.81）的診斷標準；單相抑郁障礙組本次抑郁發(fā)作符合DSM-5中重性抑郁障礙，反復發(fā)作（F33.0-F33.3）的診斷標準。
　　3資料收集
　?。?）采用自制的一般情況調查表記錄患

3、者的一般資料，包括人口學（性別、年齡、職業(yè)、婚姻狀況、文化程度、平素性格、家族史）、臨床特征（伴隨特征、起病形式、發(fā)病誘因、總病程、本次病程、起病年齡、首發(fā)類型、首次抑郁發(fā)作年齡、抑郁發(fā)作次數、抑郁發(fā)作持續(xù)時間、自殺未遂次數）等。（2）應用漢密爾頓抑郁量表（Hamilton Depression Scale， HAMD）、蒙哥馬利-阿斯伯格抑郁量表（Montgomery and Asberg Depression Rating Scal

4、e，MADRS）、漢密爾頓焦慮量表（Hamilton Anxiety Scale，HAMA）、32項輕躁狂癥狀清單（32-item hypomania checklist， HCL-32）評估其臨床癥狀。應用大體功能評估量表（Golbal Assessment Function， GAF）評估其社會功能。應用艾森克人格問卷（Eysenck personality Questionnaire Questionnaire，EPQ）評估個性特

5、征。應用防御方式問卷（Defense Style Questionnaire，DSQ）評估其防御機制。（3）采用化學發(fā)光法檢查血清皮質醇、甲狀腺功能、性激素。
　　4統(tǒng)計方法
　　采用SPSS18.0統(tǒng)計軟件和Medcalc統(tǒng)計軟件進行數據錄入和統(tǒng)計分析。（1）本研究將120例研究對象按照9：1的比例隨機分為訓練總集（108例）和測試集（12例）兩部分，分別用于模型的建立和測試。為了防止神經網絡模型過度擬合，在神經網絡模型訓

6、練過程中，又將訓練總集（108例）按照9：1的比例隨機分為訓練集（98例）和校驗集（10例），利用校驗集檢驗訓練效果。（2）采用SPSS18.0統(tǒng)計軟件建立Logistic回歸、神經網絡預測模型。（3）應用Medcalc軟件繪制各預測模型的受試者工作特征曲線（Receiver Operator Characteristic curve，ROC曲線），通過ROC曲線下的面積（Area Under Curve，AUC）來比較各模型的預測性能

7、。
　　結果：
　　1兩組間36個主要統(tǒng)計指標比較結果
　　起病年齡（z=-3.276，P=0.001）、首次抑郁發(fā)作年齡（z=-2.596， P=0.009）、抑郁發(fā)作持續(xù)時間（z=-5.232，P<0.001）、游離三碘甲狀腺原氨酸（z=-2.559，P=0.010）、EPQ內外向E得分（z=-2.447，P=0.014）、不成熟防御機制均分（z=-2.855，P=0.004）、成熟防御機制均分（z=-2.208，

8、 P=0.027）、伴憂郁特征（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）、發(fā)病誘因（χ2=7.517， P=0.006）、外向沖動性格（χ2=3.896，P=0.048）、EPQ外向不穩(wěn)定個性特征（χ2=6.530，P=0.011），這13個指標兩組間差異具有統(tǒng)計學意義。
　　2單因素Logistic回歸分析結果
　　不伴憂郁

9、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）、無發(fā)病誘因（OR=3.016， P=0.007）、起病年齡≤24歲（OR=5.500，P<0.001）、抑郁發(fā)作次數≥4次（OR=2.597，P=0.026）、抑郁發(fā)作持續(xù)時間≤28周（OR=9.284，P<0.001）、外向沖動性格（OR=2.375，P=0.032）、游離三碘甲狀腺原氨酸≥

10、3.296 pg/ml（OR=2.890，P=0.008）、EPQ內外向E得分≥46（OR=2.721，P=0.013）、EPQ外向不穩(wěn)定個性特征（OR=2.800，P=0.012）、不成熟防御機制均分≥5.6（OR=2.679，P=0.013）、成熟防御機制均分≤5.1（OR=2.696，P=0.013），這13個變量與雙相抑郁障礙發(fā)生有統(tǒng)計學關系。
　　3 Logistic回歸預測模型的建立與預測結果
　　多因素 Log

11、istic回歸分析結果顯示：非典型特征（OR=8.846， P=0.001）、無發(fā)病誘因（OR=5.624，P=0.003）、起病年齡≤24歲（OR=6.045， P=0.001）、抑郁發(fā)作持續(xù)時間≤28周（OR=11.047，P<0.001）。這4個變量作為預測變量，得到 Logistic回歸預測模型為：P=1/[1+exp(11.799-2.180×伴非典型特征-1.727×發(fā)病誘因-1.799×起病年齡-2.402×抑郁發(fā)作持續(xù)時

12、間)]。訓練總集的預測準確率為81.5％，特異度為77.8%，靈敏度為85.2%；測試集的預測準確率為75.0%，特異度為66.7%，靈敏度為83.3%；總預測準確率為80.8%，特異度為76.7%，靈敏度為85.0%。
　　4神經網絡預測模型的建立與預測結果
　　構建模型的變量的標準化重要性由大到小排序依次為抑郁發(fā)作持續(xù)時間（100.00%）、起病年齡（72.30%）、EPQ外向不穩(wěn)定個性特征（56.20%）、伴憂郁特征（

13、46.60%）、伴精神病性癥狀（29.30%）、游離三碘甲狀腺原氨酸（26.30%）、外向沖動性格（25.60%）、EPQ內外向E得分（24.40%）、成熟防御機制均分（21.10%）、發(fā)病誘因（19.30%）、伴非典型特征（15.90%）、抑郁發(fā)作次數（11.70%）、不成熟防御機制均分（10.40%）。訓練集的預測準確率為85.7%，特異度為91.8%，靈敏度為79.6%；校驗集的預測準確率為80.0%，特異度為80.0%，靈敏度為

14、80.0%；測試集的預測準確率為91.7%，特異度為100.0%，靈敏度為83.3%；總預測準確率為85.8%，特異度為91.7%，靈敏度為80.0%。
　　5 Logistic回歸模型和神經網絡模型預測效能的比較
　　神經網絡模型的總預測準確率為85.8%，Logistic回歸模型為80.8%。神經網絡模型的總預測準確率高于Logistic回歸模型。神經網絡模型的AUC為0.902（95%CI:0.835~0.949）、L

15、ogistic回歸模型為0.881（95%CI:0.809~0.933）。其中神經網絡模型預測性能較高，Logistic回歸模型預測性能中等。兩預測模型ROC曲線下面積間的差異無統(tǒng)計學意義（z=0.961，P=0.336）。
　　結論：應用人工神經網絡構建雙相抑郁障礙預測模型是可行的。人工神經網絡在預測效果上略優(yōu)于Logistic回歸模型，但是在對變量意義解釋方面，Logistic回歸分析具有優(yōu)勢。因此，在臨床應用中，可以將Log