机器学习助力胃肠科患者焦虑 - 抑郁共病综合征精准诊断

为解决 ADCS - GI 诊断难题，研究人员开展相关研究，发现机器学习算法可识别该综合征，助力早期干预。

　　在医学的广阔领域中，胃肠科患者的心理健康问题正逐渐受到重视。你知道吗？大约 50 - 90% 的胃肠科患者都遭受着焦虑 - 抑郁共病综合征（Anxiety - Depression Comorbidity Syndrome，ADCS）的困扰。这是因为胃肠道疾病与心理困扰之间存在着紧密的脑 - 肠联系，心理上的不适还会让炎症性肠病患者手术、住院及出现其他并发症的风险大大增加。不仅影响个人生活和家庭幸福，还对国家的可持续发展造成阻碍，所以对胃肠科患者进行有效的心理健康管理迫在眉睫。

然而现有的诊断方法却困难重重。传统的评估工具，像生活质量和睡眠质量问卷，预测能力有限，难以实现 ADCS 的早期发现和干预。而且非精神科的胃肠科医护人员，由于缺乏专业资质，不能使用像汉密尔顿抑郁量表这样的专业问卷。患者自己填写问卷时，往往需要护士协助，既耗费成本又花费时间。更麻烦的是，很多患者受心理健康相关误解和社会污名化的影响，不愿意承认或如实报告自己的心理问题，这就容易导致 ADCS 的漏诊或误诊。因此，开发更客观、可靠且患者友好的诊断工具势在必行。

在这样的背景下，中国科学院深圳先进技术研究院等机构的研究人员挺身而出，开展了一项极具意义的研究。他们利用机器学习算法，尝试在胃肠科患者中检测 ADCS，相关成果发表在《BMC Psychiatry》上。

研究人员为了深入探究这个问题，采用了一系列关键技术方法。首先，他们收集了中南大学湘雅医院消化内科 1186 名住院患者的数据，这些患者都被诊断患有消化系统疾病，并且都签署了知情同意书，研究设计也通过了湘雅医院伦理委员会的批准。研究数据包括患者的一般信息、问卷数据和临床检验数据。在分析数据时，他们进行了数据量化、平衡分析和相关性分析。同时，使用了 8 种机器学习模型，像高斯朴素贝叶斯（Gaussian Naive Bayes，NB）、支持向量分类器（Support Vector Classifier，SVC）等，还运用网格搜索来优化模型超参数设置。

研究结果令人眼前一亮。在焦虑和抑郁的自动检测方面，研究人员构建了决策树（Decision Tree）和 K 近邻（K - nearest neighbors，KNN）模型进行二分类。结果显示，决策树和 KNN 在焦虑和抑郁分类任务中表现出色。在焦虑分类中，决策树的 AUC 值达到 0.84，准确率为 81%，灵敏度为 86%；KNN 的灵敏度高达 88%。在抑郁分类中，KNN 的 AUC 值为 0.84，准确率和 F1 分数分别为 81% 和 82% 。这表明这两种模型在识别焦虑和抑郁方面稳定性好，适合用于临床诊断。

在检测不同程度的焦虑和抑郁时，研究人员使用平衡数据评估决策树和 KNN 的准确性。结果发现，随着焦虑和抑郁程度的加重，两个模型的各项指标显著提升。在检测重度焦虑病例时，决策树的准确率达到 90% ；KNN 检测抑郁也取得了不错的结果。对于轻度焦虑或抑郁，若更注重灵敏度，模型的灵敏度分别可达 0.87 和 0.91，在临床应用中也较为满意。

研究人员还尝试构建不依赖 SF - 36 和 PSQI 问卷的模型。虽然排除这些特征后模型性能有所下降，但仅依靠临床检验数据，模型准确率仍能超过 70% ，说明客观生化指标在检测焦虑和抑郁方面具有潜力。

综合研究结论和讨论部分，这项研究意义重大。机器学习算法能够识别胃肠科患者中的 ADCS，有助于实现心理障碍的早期检测和干预，为胃肠科患者的心理健康管理提供了新的途径。不过，研究也存在一些局限性，比如数据集的大小和结构会影响模型性能，数据存在单中心来源和样本量有限的问题，模型还未考虑不同胃肠疾病对焦虑或抑郁的影响等。但研究人员已经明确了未来的研究方向，他们将扩大和多样化数据集，引入自动机器学习（AutoML）优化模型，探索深度学习架构的融合，还会努力将模型整合到临床工作流程中。相信在研究人员的不断努力下，未来会有更强大、更实用的工具来帮助胃肠科患者解决心理健康问题。