早期预测双相障碍：重视自杀 焦虑及成长经历的角色

医脉通导读

本项研究是首项针对人群出生队列使用机器学习算法预测个体罹患双相障碍风险的研究；结果显示，包含18岁一系列变量的模型能够较好地预测22岁的双相障碍诊断（AUC 0.82）。

具体而言，18岁时的自杀风险、广泛性焦虑障碍、来自父母的躯体虐待及经济难题是双相障碍起病前最重要的四个相关因素，而风险最高的亚组抑郁症状及药物使用问题更突出。上述结果与既往研究发现类似。

————————

医脉通编译，未经授权请勿转载。

双相障碍（BD）是全球排名第六位的致残原因，及早识别及干预对于改善患者转归及减轻社会负担意义重大。然而，双相障碍的早期预测难度很大，尤其是目前来自前瞻性研究的证据相当有限，且很多所谓的预测因素（如母孕期流感或吸烟）缺乏特异性，价值有限。

计算个体未来罹患双相障碍的风险是预防策略范式转移的第一步，而机器学习手段有望在其中发挥重要作用。事实上，机器学习已被用于探索精神障碍亚组及预测治疗反应等，但目前尚无研究者使用此类手段早期检测双相障碍。有理由推测，整合特定临床及社会人口学特征的模型能够在个体层面较好地预测双相障碍的诊断风险。

研究简介

为验证上述假设，来自巴西等国家的研究者针对一个大型的基于人群的出生队列开展了一项研究：借助机器学习手段，对个体22岁时的双相障碍患病风险进行预测及分层。本项研究9月16日在线发表于Acta Psychiatr Scand.。

简言之，研究者针对来自1993 Pelotas出生队列的3,748名年轻人进行了跟踪随访，获取了这些个体0岁（围产期）、11岁、15岁、18岁及22岁的一系列人口学临床信息。通过使用十折交叉验证弹性网络算法，研究者评估了22岁之前各个时间点的特征模型针对22岁时双相障碍诊断的预测效力，后者经由简明国际神经精神访谈（MINI）诊断，并比较了高危及低危亚组的差异。具体研究方法详见原文。

研究结果

22岁时，107人被诊断为双相障碍 I 型，26人被诊断为双相障碍 II 型，87人被诊断为双相障碍未特定。女性在双相障碍样本中的比例为58.82%，在未患病样本中为53.02%。

图1 各随访时间点模型预测22岁双相障碍诊断风险的表现

（Rabelo-da-Ponte FD, et al. 2020）

如图1，22岁之前的四个时间点中，只有18岁变量构建的模型能够较好地预测22岁双相障碍的诊断，曲线下面积AUC 0.82（CI 0.75–0.88），均衡准确率 0.75，敏感性0.72，特异性0.77。

图2 对于4年后双相障碍诊断最重要的一系列变量

（Rabelo-da-Ponte FD, et al. 2020）

如图2，该模型中最重要的四个变量依次为：

▲ 自杀风险

▲ 广泛性焦虑障碍

▲ 来自父母的躯体虐待

▲ 经济难题

这一结果不能共线性所解释，因为这些变量之间存在弱相关性。此外，对双相障碍风险进行分层后发现，相比于风险相对较低的五分之四的个体，风险最高的五分之一的个体快感缺失症状更多，药物（drug）使用情况更严重，过去一年内所寻求的心理治疗更多。

结论

研究者指出，本项研究可能是首项使用机器学习算法针对人群出生队列预测个体罹患双相障碍风险的研究。结果显示，自杀风险、广泛性焦虑障碍、来自父母的躯体虐待及经济难题是双相障碍起病前最重要的相关因素，而高危人群的抑郁症状及药物使用问题似乎更突出。上述结果在很大程度上支持了既往研究的发现，即自杀、焦虑及早年不良生活经历与双相障碍存在相关性。

本项研究存在一系列局限性，如模型的阳性预测值很低（0.18），提示假阳性个体数量很多，以及不同随访时间点所评估的具体预测变量存在差异等。未来的研究应尝试在其他队列中复制上述结果，并整合其他生物标志物及观测时间点；研究的随访时间也可以进一步延长，以解决PPV较低的问题。

文献索引：Rabelo-da-Ponte FD, Feiten JG, Mwangi B, et al. Early identification of bipolar disorder among young adults - a 22-year community birth cohort [published online ahead of print, 2020 Sep 16]. Acta Psychiatr Scand. 2020;10.1111/acps.13233. doi:10.1111/acps.13233