| 摘 要： | 目的 探讨双相情感障碍患者躁狂发作时产生暴力行为的影响因素,基于机器学习算法建立预测双相情感障碍患者躁狂发作时暴力行为的风险模型。方法 回顾性选取2021年7月—2022年11月在本院治疗过的双相情感障碍且均发作躁狂的患者104例,根据躁狂发作时有无暴力行为分为暴力行为（Violent act,VA）组（n=51）和非VA组（n=53）,通过单因素Logistic回归分析得出对应的影响因素,应用R语言、SPSS软件,使用基于机器学习的Logistic回归、决策分类回归树（Classification regression tree,CRT）、支持向量机（Support vector machine,SVM）算法构建双相情感障碍患者躁狂发作时暴力行为的预测模型,并采用受试者工作(Receiver operating characteristic,ROC)曲线比较3种方法构建的模型对发生暴力行为的预测价值。结果 单因素Logistic回归分析结果显示,文化程度、自知力、病程、住院次数、杨氏躁狂量表（Young manic rating scale,YMRS）分数、近期应激事件、既往暴力史均与暴力行为发生有关,差异有统计学意义（P＜0.05）,多因素Logistic回归分析结果显示,自知力（β=1.519,OR=4.566,95％Cl=1.211-17.209）、病程（β=0.250,OR=1.284,95％Cl=1.017-1.622）、YMRS分数（β=0.063,OR=1.066,95％Cl=1.011-1.134）、既往暴力史（β=1.955,OR=7.065,95％Cl=2.272-21.969）均是躁狂发作产生暴力行为的独立危险因素（P＜0.05）。采用决策树CRT法构建的暴力行为预测模型显示,病程、既往暴力史、YMRS分数、住院次数、文化程度是患者躁狂发展时暴力行为的影响因素。SVM结果显示影响暴力因素发生重要性的前4位因素依次为既往暴力史、近期应激事件、YMRS分数、病程。3种机器学习算法构建的模型中,SVM模型预测效能最佳,曲线下面积（area under curve,AUC）为0.861,最佳截断值0.539对应的灵敏度、特异度分别为0.784、0.849。结论 双相情感障碍患者的病程、既往暴力史、住院次数等因素对躁狂发作时暴力行为的预测有重要意义,基于机器学习算法构建的双相情感障碍患者躁狂发作时暴力行为的预测模型具有较好的预测效能,其中以SVM模型诊断效能最佳,可进一步推广应用以验证预测模型的效能。
|
