基于外周血液分析物网络特征对临床高危人群向精神病性症状转化的预测作用  

作　　者：潘建设[1] 高智勇[1] 叶湖杰 郑克[1] 董悦 

机构地区：[1]温州医科大学附属康宁医院行为医学科,温州325000

出　　处：《中国医师杂志》2023年第5期760-763,共4页Journal of Chinese Physician

基　　金：温州市基础性医疗卫生科技项目(Y20210752)。

摘　　要：目的基于外周血液分析物网络特征,构建临床高危(CHR)人群向精神病性症状转化的预测模型。方法选取2021年5月至2022年5月温州医科大学附属康宁医院收治的50例首发精神分裂症(FES)患者作为观察组,同期50例临床高危(CHR)人群作为对照组。两组均留存外周血液标本并采用Luminex平台液相芯片多因子检测、Bioplex技术测定及机器学习技术将多类别血液标志物建立样本数据库。观察组症状严重程度采用阳性-阴性症状量表(PANSS)进行评估,对照组症状严重程度采用总体功能评定量表(GAF)和思维、言语和交流综合评定量表(TLC),两组患者认知功能均采用MATRICS认知成套测验(MCCB)评估。应用XGBoost算法进行建模,以"转化型0-不转化型1"作为目标变量,带入一般资料、临床评估量表数据、血样数据,应用5折交叉验证法获取重要变量(重要性得分>0分),综合其权重和阈值,对数据进行构建关联分析及决策树,构建基于外周血液标志物网络矩阵的高危个体转化预测模型。结果与对照组比较,观察组MCCB各项得分(处理速度、注意警觉、工作记忆、语言记忆、视觉记忆和推理能力)均更低(均P<0.05)。构建FES外周血液样本信息样本库,经筛选后共纳入16种血液标志物;构建CHR人群外周血液样本信息样本库,经筛选后共纳入21种血液标志物。基于XGBoost算法用于外周血液标志物网络矩阵对于高危个体转化的预测模型最终纳入变量为:GAF量表评分、TLC量表评分、MCCB量表评分、多巴胺β羟化酶(DβH)、肿瘤坏死因子(TNF-α)、促甲状腺释放激素(TRH)、C-反应蛋白(CRP)、血管内皮生长因子(VEGF)、低密度脂蛋白(LDL)。最终模型测试集的平均准确率为0.991,平均F1分数为0.978,曲线下面积(AUC)为0.996。结论构建FES和CHR人群外周血液样本信息样本库,应用机器学习法建立CHR人群向精神病性症状转化的预测模型,可大幅度提

关 键 词：精神分裂症 外周血液分析物网络 临床高危人群 

分 类 号：R749[医药卫生—神经病学与精神病学]