利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測雙相障礙的診斷效能分析.pdf

1、目的：嘗試應(yīng)用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建雙相抑郁障礙預(yù)測模型，探討和評價人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于雙相抑郁障礙預(yù)測的效果，為今后臨床工作中將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于雙相障礙早期識別提供依據(jù)。
　　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(fù)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(diào)查表記錄患

3、者的一般資料，包括人口學(xué)（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(shù)、抑郁發(fā)作持續(xù)時間、自殺未遂次數(shù)）等。（2）應(yīng)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(yīng)用大體功能評估量表（Golbal Assessment Function， GAF）評估其社會功能。應(yīng)用艾森克人格問卷（Eysenck personality Questionnaire Questionnaire，EPQ）評估個性特

5、征。應(yīng)用防御方式問卷（Defense Style Questionnaire，DSQ）評估其防御機制。（3）采用化學(xué)發(fā)光法檢查血清皮質(zhì)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(shù)據(jù)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(xùn)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(jīng)網(wǎng)絡(luò)模型過度擬合，在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)

6、練過程中，又將訓(xùn)練總集（108例）按照9：1的比例隨機分為訓(xùn)練集（98例）和校驗集（10例），利用校驗集檢驗訓(xùn)練效果。（2）采用SPSS18.0統(tǒng)計軟件建立Logistic回歸、神經(jīng)網(wǎng)絡(luò)預(yù)測模型。（3）應(yīng)用Medcalc軟件繪制各預(yù)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(yù)測性能

7、。
　　結(jié)果：
　　1兩組間36個主要統(tǒng)計指標比較結(jié)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(nèi)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(xué)意義。
　　2單因素Logistic回歸分析結(jié)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(shù)≥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(nèi)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(xué)關(guān)系。
　　3 Logistic回歸預(yù)測模型的建立與預(yù)測結(jié)果
　　多因素 Log

11、istic回歸分析結(jié)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(yù)測變量，得到 Logistic回歸預(yù)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(xùn)練總集的預(yù)測準確率為81.5％，特異度為77.8%，靈敏度為85.2%；測試集的預(yù)測準確率為75.0%，特異度為66.7%，靈敏度為83.3%；總預(yù)測準確率為80.8%，特異度為76.7%，靈敏度為85.0%。
　　4神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立與預(yù)測結(jié)果
　　構(gòu)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(nèi)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(shù)（11.70%）、不成熟防御機制均分（10.40%）。訓(xùn)練集的預(yù)測準確率為85.7%，特異度為91.8%，靈敏度為79.6%；校驗集的預(yù)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(yù)測準確率為91.7%，特異度為100.0%，靈敏度為83.3%；總預(yù)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(jīng)網(wǎng)絡(luò)模型預(yù)測效能的比較
　　神經(jīng)網(wǎng)絡(luò)模型的總預(yù)測準確率為85.8%，Logistic回歸模型為80.8%。神經(jīng)網(wǎng)絡(luò)模型的總預(yù)測準確率高于Logistic回歸模型。神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型預(yù)測性能較高，Logistic回歸模型預(yù)測性能中等。兩預(yù)測模型ROC曲線下面積間的差異無統(tǒng)計學(xué)意義（z=0.961，P=0.336）。
　　結(jié)論：應(yīng)用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建雙相抑郁障礙預(yù)測模型是可行的。人工神經(jīng)網(wǎng)絡(luò)在預(yù)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(yīng)用中，可以將Log