Page 123 - 《中国药房》2025年15期
P. 123

抑郁症是常见的精神疾病之一，其特点是持续的情                         子（躯体化、强迫症状、人际关系敏感、抑郁、焦虑、敌对、
          绪低迷、兴趣缺失和愉悦感降低，若持续发展可引起一                           恐怖、偏执、精神病性、其他）评分、艾森克人格问卷
          系列躯体症状，甚至使患者出现自杀倾向，严重影响其                          （Eysenck Personality Questionnaire，EPQ）中 4 个核心人
                  [1]
          生活质量 。抑郁症的治疗方法主要为药物疗法和心理                           格维度（外向性、神经质、精神质、掩饰性）评分、匹兹堡
          疗法。5-羟色胺去甲肾上腺素再摄取抑制剂（serotonin-                    睡眠质量指数（Pittsburgh Sleep Quality Index，PSQI）评
          noradrenalin reuptake inhibitor，SNRI）是治疗抑郁症的常      分、社会功能缺陷筛选量表（Social Disability Screening
          用一线药物，但接受 SNRI 类药物治疗的患者中有超过                        Schedule，SDSS）评分、哥伦比亚自杀严重程度评定量表
                                    [2]
          50% 的症状没有得到有效缓解 。多项研究表明，中重                        （Columbia-suicide Severity Rating Scale，C-SSRS）评分、
          度抑郁症患者早期症状的显著改善对其长期的整体转                            修订版外显攻击行为量表（Modified Overt Aggression
          归具有重要作用       [3―5] ，因此在其治疗过程中药物的选择                Scale，MOAS）评分；（5）治疗措施——抗抑郁药物、抗精
          显得尤为重要。目前精神科医师一直尝试了解与药物                            神病药物、改善睡眠药物、抗焦虑药物、心境稳定剂、舒
          或心理治疗反应有关的因素，以便个体化患者的治疗选                           肝解郁胶囊的使用情况，以及针灸治疗例数和心理治疗
          择。近年来，机器学习在医学领域逐渐被广泛应用，其                           次数。
          能对多维数据集进行自我学习，发现数据之间的内在联                           1.2.2 疗效判断标准及分组
                                          [6]
          系，使得对患者疗效的预测成为可能 。本研究通过收                               本研究以 HAMD-24 评分减分率作为疗效判断标
          集中重度抑郁症住院患者信息，运用机器学习方法构建                           准。该量表由主管医师根据患者症状进行打分，总分≤
          该类患者使用 SNRI 类药物的疗效预测模型，以期为临                        8分为正常状态，9～20分为轻度抑郁症，21～34分为中
          床提供一种高效且可靠的工具。                                     度抑郁症，≥35 分为重度抑郁症 。治疗有效定义为患
                                                                                         [7]
          1 资料与方法                                            者出院时 HAMD-24 评分较入院时基线值降低≥50%；
          1.1 研究对象及纳排标准                                      治疗无效定义为患者出院时HAMD-24评分较入院时基
                                                                           [7]
              本研究回顾性收集了2022年1月至2024年10月在                     线值降低＜50% 。据此，住院患者被分为两组：有效组
          新疆某三甲医院住院治疗的中重度抑郁症患者信息。                            和无效组。
          纳入标准为：（1）符合《疾病和有关健康问题的国际统计                         1.2.3 数据预处理
          分类》（第10次修订本）中的中度与重度抑郁症的诊断标                             本研究收集到的患者信息，部分变量存在缺失值，
          准 ；（2）18～65 岁；（3）24 项汉密尔顿抑郁量表（Hamil‐               而在统计分析中忽略缺失数据会产生严重偏倚。为符
            [1]
                                                    [7]
          ton Depression Scale-24，HAMD-24）得分＞20 分 ；（4）       合建模要求，本研究对缺失率≥30% 的变量进行删除，
          使用SNRI类抗抑郁药。排除标准为：（1）有器质性脑疾                        不将其纳入模型构建；对缺失率＜30% 的变量，运用 R
          病或脑外伤史者；（2）对所使用的药物成分过敏者；（3）                        软件 mice 包中的多重插补法进行插补，插补次数为 5
          物质使用障碍、精神分裂症、癔症、双相情感障碍、惊恐                          次，插补模型为预测均值匹配模型。多重插补法通过利
          障碍、强迫症患者；（4）妊娠期或哺乳期女性；（5）治疗期                       用已有的完整数据多次模拟生成多个数据集来填补缺
          间接受改良电休克治疗者；（6）合用两种及以上抗抑郁                          失值，其优点在于考虑了数据之间的复杂关系，使得插
                                                                                                          [8]
          药物者。本研究已获新疆维吾尔自治区人民医院伦理                            补后的数据在分布上与原始数据更为接近，偏倚较小 。
          委员会批准（伦理意见编号：KY2024120219）。                            本研究结局变量中无效组的样本数量较少，使得分
          1.2 研究方法                                           类结果更易于偏向有效样本数据，导致模型性能下降。
          1.2.1 资料收集                                         为了解决分类不平衡问题，本研究使用R语言软件reci‐
              本研究基于文献与现有病历系统资料，收集可能影                         pes包中合成少数类过采样技术（synthetic minority over-
          响患者治疗效果的相关变量57个，包括：（1）人口统计学                        sampling technique，SMOTE）平衡数据样本，采样比例为
          信息——年龄、性别、民族、婚姻状况、学历、职业性质、                         1∶1，该技术通过分析少数类样本在特征空间中的分布，
          体重指数（body mass index，BMI）、吸烟史、饮酒史；（2）              利用其近邻样本进行线性插值，合成新的少数类样本，
                                                                                     [9]
          临床特征——抑郁症分型、（是否）首次发病、共病焦虑                          与现有样本组成新的训练集 。
          症、共病高血压、共病糖尿病、共病冠心病、住院天数；                              此外，本研究对分类变量进行独热编码处理，使数
         （3）用药前实验室检查指标——丙氨酸转氨酶、天冬氨                           据符合机器学习运行过程；对连续变量进行Z-score标准
          酸转氨酶、血尿素氮（blood urea nitrogen，BUN）、肌酐、             化处理，以消除变量单位不同导致的数据差异。
          甘油三酯、总胆固醇、高密度脂蛋白、低密度脂蛋白、C反                         1.2.4 特征变量的选择
          应蛋白、催乳素、雌二醇、睾酮、孕酮；（4）治疗期间测                             本研究运用 R 4.2.1 软件中 glmnet 包中最小绝对值
          评量表结果——HAMD-24 评分、汉密尔顿焦虑量表                         收缩和选择算子（least absolute shrinkage and selection
         （Hamilton Anxiety Scale，HAMA）评分、90 项症状自评            operator，LASSO）回归分析及十折交叉验证选择出惩罚
          量表（Symptom Checklist-90，SCL-90）中的 10 个核心因          项λ值的拟合模型，以筛选最佳特征变量。其中LASSO


          中国药房  2025年第36卷第15期                                              China Pharmacy  2025 Vol. 36  No. 15    · 1937 ·
   118   119   120   121   122   123   124   125   126   127   128