Page 124 - 《中国药房》2025年15期

回归分析是一种通过引入 L1 正则化，将不重要特征变 70 例，抗抑郁治疗有效率为 80.28%。两组患者的部分
量的惩罚项系数压缩为0来选择特征和降维，以筛选贡 基线资料信息见表 1，入院治疗措施见表 2。由表 1 可
献大的特征和消除冗余特征的方法 。 知，有效组与无效组患者在 BUN、首次发病、HAMA 评
[10]
1.2.5 模型构建与性能评估 分上的差异有统计学意义（P＜0.05）。由表2可知，住院
本研究运用 R 4.2.1 软件中 tidymodels 包构建模型， 患者多采用联合治疗方式，有效组与无效组患者在合用
将LASSO回归分析筛选得到的预测特征变量纳入模型 抗焦虑药物上的差异有统计学意义（P＜0.05）；SNRI 类
构建。将数据集按7∶3的采样比例划分为训练集与验证 药物中使用频率最高的为文拉法辛（64.51%）；联合用药
集，其中训练集用于模型拟合与超参数调整，具体操作 方案中，常用药物为抗精神病药物（94.93%）、改善睡眠
为：（1）构建 5 种机器学习模型，包括支持向量机（sup‐ 药物（96.34%）和抗焦虑药物（43.94%）。
port vector machine，SVM）、k 近邻（k-nearest neighbor， 表1 两组患者的部分基线资料信息比较结果
KNN）、随机森林（random forest，RF）、轻量级梯度提升 变量 变量分类 有效组（n＝285） 无效组（n＝70） χ /Z/t P
2
机（lightweight gradient boosting machine，LightGBM）和 性别/例（%） 0.05 0.82
男 63（22.11） 17（24.29）
极端梯度提升（extreme gradient boosting，XGBoost）模
女 222（77.89） 53（75.71）
型。（2）使用五折交叉验证与贝叶斯优化算法调整超参 年龄（x±s）/岁 44.00±15.00 45.50±14.75 －0.18 0.86
数与优化模型。贝叶斯优化算法在尝试下一组超参数 职业性质/例（%） 0.01 0.94
时，能通过分析以往的训练和评估结果，来指导当前超 雇佣 183（64.21） 44（62.86）
未雇佣 102（35.79） 26（37.14）
参数的调整，以实现模型性能的动态更新和优化，在提 婚姻状况/例（%） 3.07 0.39
[11]
高搜索效率和精度方面较网格搜索更具有优势 。在 未婚 30（10.53） 6（8.57）
超参数调整过程中，以模型的受试者工作特征曲线下面 已婚 236（82.81） 55（78.57）
离婚 4（1.40） 2（2.86）
积（area under the receiver operating characteristic curve，
丧偶 15（5.26） 7（10.00）
ROCAUC）值作为评价指标，通过最大化的ROCAUC值 学历/例（%） 0.21 0.64
来确定最优超参数组合。验证集用于评估训练好的模 大专以下 107（37.54） 29（41.43）
大专及大专以上 178（62.46） 41（58.57）
型性能，以 ROCAUC 值、精确率-召回率曲线下面积
吸烟史/例（%） 0.31 0.58
（area under the precision-recall curve，PRAUC）值、准确 是 24（8.42） 8（11.43）
度、灵敏度、精确率、召回率作为预测模型的性能评价指 否 261（91.58） 62（88.57）
标。此外，本研究还绘制了受试者工作特征曲线、精确 饮酒史/例（%） 2.11 0.19
是 22（7.72） 2（2.86）
率-召回率曲线（precision-recall curve，PR）、校准曲线与
否 263（92.28） 68（97.14）
决策曲线（decision curve analysis，DCA），以进一步分析 BUN[M（P 25，P 75）]/（mmol/L） 4.23（3.55，5.02） 4.06（3.39，5.26） －0.26 0.03
2
和展示预测模型在实际临床应用中的效用。 BMI[M（P 25，P 75）]/（kg/m） 24.75（22.02，27.73） 24.22（21.72，27.80） －0.64 0.52
首次发病/例（%） 4.95 0.02
1.2.6 模型解释
是 239（83.86） 50（71.43）
采 用 夏 普 利 加 性 解 释（Shapley additive explana‐ 否 46（16.14） 20（28.57）
tions，SHAP）方法来解释性能最优的模型。SHAP 是一 住院天数[M（P 25，P 75）]/d 10.00（8.00，11.00） 9.00（7.00，11.00） －1.69 0.91
抑郁症分型/例（%） 0.43 0.51
个解释机器学习模型的统一框架，根据博弈论估计每个
中度抑郁 262（91.93） 62（88.57）
特征的贡献，以此来衡量每个特征对预测结果的影 重度抑郁 23（8.07） 8（11.43）
[12]
响 。通过计算训练集中每位患者样本数据的 SHAP HAMD-24评分（x±s）/分 25.25±4.60 24.86±4.69 －0.81 0.42
值，可以深入了解每个指标对预测模型的贡献。 HAMA评分（x±s）/分 20.53±4.82 19.07±5.25 －2.31 0.02
1.2.7 统计分析 2.2 特征变量选择结果
运用 R 4.2.1 软件进行统计分析。计量资料通过峰 使用 LASSO 回归筛选与疗效相关的特征变量，采
度和偏度检验，以确定是否遵循正态分布，若符合正态 用十折交叉验证方法进行迭代分析，变量系数的变化如
分布则用x±s描述，组间比较采用独立样本t检验；若非 图1所示。为避免重要因素丢失与过度拟合发生，本研
正态分布则用 M（P25，P75 ）描述，组间比较采用 Mann- 究选择最小λ值（lambda.min）为0.031；将对结局影响不
Whitney U 检验。计数资料采用例数或占比（%）描述， 重要的特征变量惩罚项系数逐渐压缩为0，最终从57个
2
组间比较采用χ 检验。检验水准α＝0.05。 变量中筛选出与疗效密切相关的5个变量：HAMA评分
2 结果 （β＝－0.017）、合用抗焦虑药物（β＝0.106）、饮酒史（β＝
2.1 基线信息 －0.025）、BUN（β＝0.000 1）、首次发病（β＝0.179）。
本研究收集到符合纳入标准的中重度抑郁症住院 2.3 模型构建与性能评估结果
患者共 355 例，其中女性占 77.46%（n＝275）；所有患者 本研究根据 LASSO 回归筛选的结果，对分类变量
平均年龄为44岁。有效组患者有285例，无效组患者有 进行编码，规则为：合用抗焦虑药物为“无”的编码为 0，

· 1938 · China Pharmacy 2025 Vol. 36 No. 15 中国药房 2025年第36卷第15期