Nature子刊：基于电子病历预测心理健康危机的机器学习模型

机器学习应用于电子健康记录可以预测心理健康危机?成为管理案件量和降低危机风险的有临床价值的工具。

　　

及时识别有精神健康危机风险的患者可改善结果并减轻负担和费用。然而，心理健康问题的高患病率意味着手动审查复杂的患者记录以做出主动护理决定在实践中是不可行的。因此，我们开发了一个机器学习模型，使用电子健康记录在28天内持续监测患者的精神健康危机风险。该模型在接受者操作特征曲线下的面积为0.797，在精确回忆率曲线下的面积为0.159，预测危机的敏感性为58%，特异性为85%。一项为期6个月的随访前瞻性研究评估了我们的算法在临床实践中的使用，并观察到预测在管理病例量或减轻64%病例的危机风险方面具有临床价值。据我们所知，这项研究是第一个持续预测各种心理健康危机的风险，并探索这种预测在临床实践中的附加价值。

全世界有近10亿人患有精神障碍。随着2019年冠状病毒病大流行大大加剧了全球精神卫生紧急情况，卫生保健系统面临着对精神卫生服务日益增长的需求，以及熟练人员的短缺2、3、4、5。在临床实践中，相当大的需求来自于心理健康危机，即患者既不能照顾自己也不能在社区有效地发挥作用的情况，以及患者可能伤害自己或他人的情况6,7。及时治疗可以防止导致这些危机和随后住院的症状恶化。然而，当患者将紧急护理途径作为进入医院或精神病院的主要切入点时，他们往往已经经历了精神健康危机。到目前为止，采取预防策略已经为时过晚，限制了精神科服务机构提前合理分配有限资源的能力。因此，在危机发生之前识别有经历危机风险的患者对于改善患者预后和管理病例量至关重要9。

在繁忙的临床环境中，手动审查许多患者的大量数据以做出积极的治疗决定是不切实际的、不可持续的，而且容易出错。因此，将这些任务转换为电子健康记录(EHRs)的自动化分析，通过实现大规模连续数据审查，有望给医疗服务带来革命性的变化。研究已经证明了预测与广泛的医疗保健问题相关的关键事件的可行性，包括高血压、糖尿病、循环衰竭、再入院和住院死亡11、12、13、14、15、16、17。然而，心理健康文献仅限于预测特定类型的事件，如自杀、自残和首发精神病18、19、20、21、22、23、24、25、26、27、28，而不是持续预测需要紧急护理或住院治疗的心理健康危机的广度。关于不断查询机器学习模型以估计迫在眉睫的心理健康危机风险的可行性，还有很多未知。这将有利于优化医护人员配置，防止危机发生。此外，即使是高度准确的预测模型也不能保证改善心理健康结果或长期成本节省。因此，目前尚不清楚新的预测技术是否能提供对精神保健从业者有用的工具31,32。

本研究探讨预测任何精神健康危机事件的可行性，不论其原因或潜在的精神障碍，并探讨此类预测是否能为临床实践提供附加值。该研究的基本假设是，存在预测未来精神健康危机的历史模式，而且这些模式可以在现实世界的电子病历数据中识别出来，尽管这些数据稀疏、噪声、错误和系统性偏差。为此，我们开发了一个心理危机风险模型，将7年(2012-2018年)收集的17,122名患者的电子病历数据输入到机器学习算法中。我们评估了该模型在未来28天内从任意时间点持续预测精神健康危机风险的准确性，以期为临床实践中的动态护理决策提供支持。我们还分析了该模型在一系列心理健康障碍、不同种族、年龄和性别群体以及数据可用性方面的差异方面的表现。此外，我们开展了一项前瞻性队列研究，以评估2018年11月26日至2019年5月12日在临床实践中的危机预测算法。危机预测每两周向四个不同的临床医生小组(总共60名临床医生在6个月内处理1,011例病例)进行，他们评估此类预测是否以及如何帮助他们管理病例量优先次序和减轻危机风险。