早期发现单极重度抑郁症转变为双相情感障碍的关键预测因素:全国基于人群的回顾性队列研究gydF4y2Ba

简介gydF4y2Ba

单极重度抑郁症(MDD)和双相情感障碍是精神病学中常见的两种情绪障碍。这两种疾病都与严重的功能损害和残疾有关[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba6gydF4y2Ba]，但他们有不同的临床病程、治疗策略和预后。然而，双相情感障碍的病程可能以抑郁症开始，在最初阶段可能被错误地诊断为重度抑郁症[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba］．先前的研究表明[gydF4y2Ba9gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]，随着时间的推移，较高比例的MDD患者会发展为双相情感障碍(0%-37.5%)。此外，这种隐藏的双相情感障碍可能有助于在单相抑郁症中观察到的治疗抵抗[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba29gydF4y2Ba］．先前的研究结果显示，超过50%的难治性单相抑郁症患者在随访期间重新评估时，随后被诊断为隐匿性双相情感障碍[gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba］．此外，使用抗抑郁药进行双相抑郁的急性和维持治疗是有争议的，因为人们担心这些药物无效，可能会导致患者从抑郁转变为躁狂，从而伤害患者[gydF4y2Ba31gydF4y2Ba-gydF4y2Ba33gydF4y2Ba］．有了这些知识，大多数医生可能希望避免使用抗抑郁药作为双相抑郁症的单一疗法。然而，根据Goldberg等人的研究，在任何随访年份中，最终表现为双相情感障碍转化的抑郁症患者中，只有不到一半的患者接受了情绪稳定剂的处方[gydF4y2Ba21gydF4y2Ba］．考虑到单极-双相情感障碍的治疗和预后意义，预测哪些患者在MDD指标诊断后会表现为双相情感障碍具有相当重要的临床意义。gydF4y2Ba

虽然一些研究已经调查了mdd到双相情感障碍的转化率和诊断改变的危险因素[gydF4y2Ba9gydF4y2Ba-gydF4y2Ba28gydF4y2Ba，他们的研究结果并不一致，有时甚至相互矛盾。例如，据报道，转化率在0%到37.5%之间，部分原因可能是现有研究的局限性。首先，大多数研究的样本都很小[gydF4y2Ba9gydF4y2Ba-gydF4y2Ba11gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba34gydF4y2Ba］．例如，Rao等人的研究只纳入了28名抑郁症患者[gydF4y2Ba25gydF4y2Ba］．小样本量对任何统计分析都构成挑战，并导致预测准确性的变化。其次，这些研究大多包括来自单一医院的样本，而不是基于人群的研究，这使得研究结果的流行病学概括性不确定。第三，一些研究的随访时间可能太短，无法检测抑郁症患者的双相情感障碍转化。此外，尽管精神疾病共病在重度抑郁症和双相情感障碍中非常常见，但在以往的研究中，精神疾病共病与双相情感障碍的关系却很少被研究。在最近的一项研究中，伴有强迫症和社交恐惧症等合并症的抑郁症患者的双相情感障碍转换率很高[gydF4y2Ba18gydF4y2Ba］．其他生理或精神共患病是否为双相情感障碍的转化提供额外的预测价值值得进一步研究。最后，以前没有研究建立MDD-to-bipolar disorder转换的风险分层模型。有了这样的解释模型，就可以将患者分为风险组，从而可以制定早期干预和预防程序。从理论和疾病分类学的角度来看，这种基于代表人群而非统计抽样数据支持的纵向趋势的模型很重要，可能对治疗计划有用。gydF4y2Ba

考虑到单极-双相情感障碍的治疗和预后意义，预测哪些患者在MDD指标诊断后会表现为双相情感障碍具有相当重要的临床意义。由于现有文献中流行小样本或单医院案例研究，因此很难制定出在整个医疗行业具有较高接受度的指标。在这项基于人群的研究中，我们的目标有三个方面。首先，我们的目的是利用台湾国家健康保险研究数据库(NHIRD)在10年的随访中调查从单相重度抑郁症到双相情感障碍的诊断变化率。其次，我们的目标是开发一个风险分层模型，使用分类和回归树(CART)技术用于mdd到双相情感障碍的转换。第三，我们的目标是通过使用训练-验证-测试集分割方法来评估用机器学习技术开发的预测模型的性能。gydF4y2Ba

方法gydF4y2Ba

数据源gydF4y2Ba

台湾已建立国民健康保险(NHI)计划，这是一项提供全面医疗照顾的强制性单一支付者计划[gydF4y2Ba35gydF4y2Ba］．此外，截至2014年，99.9%的台湾人口参加了该计划。gydF4y2Ba

自1996年起，台湾的国家健康保险报销数据已移交国家卫生研究所，以便进一步管理和组织。此外，作为这些努力的一部分，国家卫生研究所的工作已导致建立了一个名为NHIRD的国家卫生保健数据库，其中包括关于临床实践的全面信息，包括患者人口统计学特征、医疗支出、处方索赔数据、手术代码、治疗代码和根据国际疾病分类，第九版，临床修改(ICD-9-CM)的诊断代码。gydF4y2Ba

本研究以美国国家健康研究所(NHRI)发布的1996 - 2013年纵向健康保险数据库(LHID) 2000为数据源。LHID 2000载有100万名在2000年登记的受益人的所有原始申索数据，这些受益人是从2000年的NHIRD受益人登记册中随机抽取的。gydF4y2Ba

道德声明gydF4y2Ba

本研究由台中退伍军人总医院机构评审委员会批准(批准号:2018-07-016AC)。由于NHI数据集包括用于研究目的的未识别的次要数据，本研究不需要患者的书面同意。台中退伍军人总医院机构检讨委员会已发出正式书面豁免同意书。gydF4y2Ba

研究人群gydF4y2Ba

使用LHID 2000，我们对2000年1月1日至2004年12月31日期间新诊断为MDD的患者进行了回顾性队列研究。MDD根据ICD-9-CM 296.2 - 2x和296.3 - 3x代码在门诊护理支出(CD)和住院支出(DD)文件中定义。为了确保诊断的有效性和患者的同质性，我们纳入了仅由精神科医生诊断的患者。我们排除了1996年至1999年诊断为抑郁症(ICD-9-CM代码296.2 2x、296.3 3x、300.4和311.X)的患者，以及在入组前诊断为双相情感障碍(ICD-9-CM代码296.0、296.1、296.4、296.5、296.6、296.7、296.8、296.80和296.89)的患者。此外，被诊断为精神分裂症(ICD-9-CM代码295)的患者被排除在外。指标日期定义为符合条件的抑郁症患者被纳入我们队列的日期。所有抑郁症患者被观察到(1)被精神病医生诊断为双相情感障碍(ICD-9-CM代码296.0、296.1、296.4、296.5、296.6、296.7、296.8、296.80和296.89)，(2)死亡，或(3)2013年12月31日。根据随访期间是否诊断为双相情感障碍，所有抑郁症患者被分为以下两组:转化组和非转化组。gydF4y2Ba

研究变量的定义gydF4y2Ba

因素，包括青春期或成年早期发病[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba22gydF4y2Ba]，双相情感障碍家族史[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba22gydF4y2Ba]，载入的谱系[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]、精神病[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba22gydF4y2Ba]、睡眠障碍现象学[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]，更明显的自责和内疚[gydF4y2Ba13gydF4y2Ba]，大量B类人格障碍症状[gydF4y2Ba18gydF4y2Ba]，药物诱发的轻度躁狂[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]，生育沉淀[gydF4y2Ba12gydF4y2Ba]，迅速出现症状[gydF4y2Ba11gydF4y2Ba]，以前的剧集数较高[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba23gydF4y2Ba]、再入院[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba23gydF4y2Ba]，较高的功能中断率[gydF4y2Ba17gydF4y2Ba]，指征发作的慢性程度[gydF4y2Ba19gydF4y2Ba]、较短的井段[gydF4y2Ba17gydF4y2Ba]，重度抑郁症的严重程度[gydF4y2Ba18gydF4y2Ba]、抗抑郁药物不良反应史[gydF4y2Ba15gydF4y2Ba]、强迫症共病[gydF4y2Ba18gydF4y2Ba]、社交恐惧症共病[gydF4y2Ba18gydF4y2Ba]，以及较高的药物滥用率[gydF4y2Ba17gydF4y2Ba]，已报道用于区分转换器和非转换器。因此，在入组前6个月内提取了6组变量，包括个人特征、身体共病、精神共病、医疗保健使用行为、障碍严重程度和精神药物的使用。gydF4y2Ba

从受益人(ID)文件的注册表中提取个人特征。我们根据患者的保费来估算月收入，保费是根据受益人的总收入来计算的。月收入分为低收入(月收入<20,000新台币[新台币])、中位收入(月收入≥20,000新台币但<40,000新台币)和高收入(月收入≥40,000新台币)。城市化被分为以下三类:城市、郊区和农村。城市化和月收入被用来代表社会经济地位。精神和身体共患病根据CD和DD文件中的ICD-9-CM代码进行定义。障碍严重程度根据以下两个变量定义:难治性抑郁症和重度抑郁症灾难性疾病。当至少有两项不同抗抑郁药的试验(剂量和持续时间足够)未能产生相关的临床改善时，就考虑到难治性抑郁症。在我们的研究中，我们认为如果参与者的抗抑郁治疗方案被改变两次或两次以上，他们就患有难治性抑郁症。适当的试验定义为在治疗剂量范围内连续使用抗抑郁药60天以上[gydF4y2Ba15gydF4y2Ba］．MDD灾难性疾病根据灾难性疾病患者档案注册表中的ICD-9-CM代码296.2 2x和296.3 3x进行定义。本研究定义的卫生保健使用行为包括门诊总人次、精神科门诊总人次、急诊总人次、住院总人次、精神科住院总人次、按月、按季节门诊人次、按月、按季节急诊人次、按月、按季节住院人次。本研究中调查的精神药物包括苯二氮平类、抗抑郁药、情绪稳定剂和抗精神病药，信息提取自门诊护理订单和住院订单文件的细节。我们记录了在入组前6个月内使用的苯二氮平类、抗抑郁药、情绪稳定剂和抗精神病药的种类，以及在一次访问中使用的苯二氮平类、抗抑郁药、情绪稳定剂和抗精神病药的最大种类。gydF4y2Ba

描述性统计分析gydF4y2Ba

卡方和独立gydF4y2BatgydF4y2Ba-测试用于检查转换组和非转换组之间变量的差异。gydF4y2Ba

利用分类和回归树方法进行风险分层gydF4y2Ba

为了分析转换患者和非转换患者的相关变量，本研究使用完整的队列数据和变量进行CART分析，生成风险分层CART。CART方法，由Breiman等人提出，是一种著名的机器学习技术[gydF4y2Ba36gydF4y2Ba］．在流行病学领域，CART方法已成功应用于建立风险分层模型[gydF4y2Ba37gydF4y2Ba，gydF4y2Ba38gydF4y2Ba］．与传统的多元统计方法(如逻辑回归)相比，CART分析不需要参数假设，可以处理高度倾斜的数据。CART分析提取的信息以if-then规则的形式，可以更容易地应用于床边评估和其他临床应用。为了简化生成的风险分层CART，将每个叶节点的最小样本数设置为60。建立CART后，计算CART中每个叶节点的双相情感障碍百分比，并用于生成风险分层模型。gydF4y2Ba

预测模型的评价gydF4y2Ba

由于有许多潜在的自变量，因此可以执行许多特征选择和工程技术。首先，可以使用基于相关性的特征选择(CFS)方法来评估特征子集之间的相关性，以揭示潜在的共线性，并评估它们对响应变量的预测能力[gydF4y2Ba39gydF4y2Ba］．其次，主成分分析(PCA)是一种用于降维的无监督特征工程技术，即PCA对原始自变量进行线性组合，在较低维空间生成一组新的特征。第三，包装器方法是一个特征选择过程，根据特定于用户的机器学习算法来衡量特征的有用性。gydF4y2Ba

四种著名的监督学习技术，包括C4.5 [gydF4y2Ba40gydF4y2Ba]，逻辑回归[gydF4y2Ba41gydF4y2Ba]，随机森林(RF) [gydF4y2Ba42gydF4y2Ba]，以及支持向量机[gydF4y2Ba43gydF4y2Ba]，用于评价预测模型的性能。gydF4y2Ba

我们将收集到的数据划分为完全独立的训练/验证和测试(即坚持)集。具体而言，三分之二的患者被随机纳入训练/验证集(1788例患者)，以建立预测模型，其余三分之一的患者被纳入测试集(894例患者)，以验证预测模型[gydF4y2Ba44gydF4y2Ba，gydF4y2Ba45gydF4y2Ba］．在训练/验证组中，267例(14.93%)患者被诊断为双相情感障碍，这表明两个类别标签之间的比例不平衡。为避免类不平衡问题，采用Waikato Environment for Knowledge Analysis (Weka)软件中的重采样模块对多数类进行欠采样。结果，双相情感障碍转换和非双相情感障碍转换病例在训练/验证集中以1:1的比例进行调整。对于每个训练/验证集，执行10次交叉验证过程，并计算10个分区的平均准确性、灵敏度、特异性和曲线下面积(AUC)。gydF4y2Ba

在本研究中使用模型性能指标，包括准确性、敏感性和特异性，因为它们在医疗保健领域被广泛采用和稳健性[gydF4y2Ba46gydF4y2Ba，gydF4y2Ba47gydF4y2Ba］．此外，采用接受者工作特性曲线来测量AUC。Hosmer等人定义的一般规则[gydF4y2Ba48gydF4y2Ba]，将AUC定义为:优秀，AUC≥0.9;好,0.9 > AUC≥0.8;公平的,0.8 > AUC≥0.7;穷,0.7 > AUC≥0.6;非常差，AUC<0.6。gydF4y2Ba

分析工具gydF4y2Ba

采用Microsoft SQL Server 2005 (Microsoft Corp, Redmond, Washington, USA)进行数据提取、计算、链接和处理。SPSS (Windows 19.0版本;IBM公司，阿蒙克，纽约，美国)和SAS(版本9.2;SAS研究所，卡里，北卡罗莱纳，美国)被用来进行所有的统计分析。关系被认为具有统计学意义gydF4y2BaPgydF4y2Ba值< . 05。开源机器学习软件Weka 3.8.2中的simpleCART模块[gydF4y2Ba49gydF4y2Ba]进行CART分析。此外，使用Weka 3.8.2中带有BestFirst搜索算法(CFS)的CfsSubsetEval模块，带有Ranker搜索算法(PCA)的PrincipalComponents模块，以及带有J48和BestFirst搜索算法(WrapperJ48)的WrapperSubsetEval模块来执行特征工程过程。在预测模型的评估中，所有选择的监督学习技术都是使用开源Orange 3.24.0工具进行的[gydF4y2Ba50gydF4y2Ba］．gydF4y2Ba

结果gydF4y2Ba

基线数据gydF4y2Ba

本研究共纳入2820例MDD患者，其中1619例(60.1%)为女性。入组年龄中位数为38岁(IQR 26-52岁)。在随访期间，536例患者被诊断为双相情感障碍(19.0%)。双相情感障碍转化的累积发生率显示在gydF4y2Ba图1gydF4y2Ba．共有138名患者在入组后6个月内被诊断为双相情感障碍，并被排除在外。转换组和非转换组的特征如图所示gydF4y2Ba多媒体附件1gydF4y2Ba．转换组的入组年龄中位数低于非转换组。转换组的中位随访时间为2.1年(IQR 0.5-4.8年)。此外，本研究定义了178个变量。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

分类与回归树分析结果gydF4y2Ba

使用入组前6个月的变量，通过CART分析生成的决策树如图gydF4y2Ba图2gydF4y2Ba．为了便于解释，我们只展示了树的前四层。在研究的特征中，CART方法确定了抗精神病药物的种类，用作双极转换药物和非转换药物之间的最佳鉴别器。其他确定的特征包括使用抗抑郁药的种类，精神病门诊总就诊次数，一次就诊中使用苯二氮卓类药物的种类，以及情绪稳定剂的使用。风险CART能够将患者分为高、中、低风险组。在高危组中，61.5%-100%的抑郁症患者最终发展为双相情感障碍。另一方面，在低风险组中，只有6.4%-14.3%的抑郁症患者发展为双相情感障碍。高风险组和低风险组之间的双相情感障碍转换OR为188.27 (gydF4y2BaPgydF4y2Ba<措施)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

预测模型的性能gydF4y2Ba

使用训练/验证集对预测模型的性能进行评估的结果显示在gydF4y2Ba表1gydF4y2Ba．根据平均AUC, CFS+RF、CFS+LGR和PCA+RF是前三名的分类器。当使用平均分类精度作为性能指标时，CFS+RF、CFS+LGR和WrapperJ48+RF被列为前三名分类器。尽管基于svm的方法具有最高的敏感性，但它们在特异性方面表现最差。如果将所有性能指标放在一起考虑，与其他技术相比，CFS+RF始终表现得非常好。结果显示，在测试集中，CFS+RF的准确性、敏感性、特异性和AUC分别为0.673、0.695、0.670和0.743。gydF4y2Ba

总体而言，CFS在三种被调查的特征工程技术中表现最好。在CFS中，共选取了11个变量，包括年龄、社交恐惧症、强迫症、暴食症、入组前6个月内精神科门诊总次数、急诊次数(6月)、门诊次数(10月)、入组前6个月内使用的抗抑郁药物种类、入组前6个月内使用的抗精神病药物种类、入组前6个月内使用的苯二氮平类药物种类、以及在入学的前6个月内使用的各种情绪稳定剂。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

我们的研究有几个优势。首先，我们的研究设计包括一个无偏倚的患者选择过程。由于参加全民健康保险是强制性的，所有台湾居民都可以以较低的共同支付额获得医疗保健，因此转诊偏见较低，随访依从性较高。其次，我们的研究是一项基于人群的研究，包括来自全国所有医院的大样本。对于现有文献中流行的小样本或单医院研究，很难制定出在整个医疗保健行业具有高接受度的指标。第三，本研究使用的数据来源于台湾国家健康保险系统。作为一个观察性数据库，这些数据反映了当前现实世界的诊断模式。gydF4y2Ba

本研究的主要发现如下:(1)重度抑郁症患者双相情感障碍的转归率为19%;(2)双相情感障碍转换的中位时间为2.1年(IQR 0.5 ~ 4.8年);(3) MDD患者双相情感障碍转化的风险可以通过使用抗精神病药物的种类、使用抗抑郁药物的种类、精神病门诊总次数、一次就诊中使用苯二氮卓类药物的种类以及情绪稳定剂的使用来估计。gydF4y2Ba

虽然一些研究已经调查了mdd到双相情感障碍的转化率和诊断改变的危险因素[gydF4y2Ba9gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]，结果并不一致。双相情感障碍的转化率从0%到37.5%不等。这些不同的结果可能是由于纳入标准和随访时间的差异。先前的研究表明，在不同的抑郁症亚群中，单相情感障碍到双相情感障碍的转换率各不相同[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba34gydF4y2Ba］．例如，后续研究发现抑郁症青少年的转换率较高[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]而不是抑郁的成年人[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba16gydF4y2Ba，gydF4y2Ba23gydF4y2Ba，gydF4y2Ba28gydF4y2Ba］．此外，一些研究还纳入了患有抑郁症的住院患者[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba13gydF4y2Ba，gydF4y2Ba16gydF4y2Ba，gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba-gydF4y2Ba21gydF4y2Ba，gydF4y2Ba23gydF4y2Ba，gydF4y2Ba28gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]，而有些研究则包括患有抑郁症的门诊受试者[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba22gydF4y2Ba，gydF4y2Ba26gydF4y2Ba］．两组患者(住院组和门诊组)抑郁的严重程度可能不同，这可能导致双相情感障碍转换率的差异。关于从指数抑郁发作到转换的持续时间，建议较长的随访期有助于更多的诊断转换。以往研究的随访时间由1个月至40年不等[gydF4y2Ba9gydF4y2Ba-gydF4y2Ba28gydF4y2Ba]，这可能是导致双相情感障碍转归率不同的主要原因之一。在我们的研究中，我们纳入了所有MDD患者，无论年龄、住院情况或门诊情况，并对这些患者进行了10年以上的随访。重度抑郁症患者的双相情感障碍转归率为19%。gydF4y2Ba

关于从第一次抑郁发作到双相情感障碍转化的持续时间，在Winokur和Morrison对225名“爱荷华500”系列抑郁症患者的随访研究中，9名患者在1个月至20年的随访过程中表现出躁狂迹象，其中8名患者在指数入院后的3年内出现躁狂发作[gydF4y2Ba16gydF4y2Ba］．Rao和Nammalvar的研究[gydF4y2Ba10gydF4y2Ba]，据报道，75%的转变发生在抑郁症首次发作后的前3年内。Dunner等人报告说，大多数转变发生在第一次抑郁发作后的18个月内[gydF4y2Ba9gydF4y2Ba］．在Li等人的研究中，注意到转换的平均时间为1.89-2.98年[gydF4y2Ba15gydF4y2Ba］．与之前的研究相似，我们的工作结果显示mdd -向双相情感障碍转换的中位持续时间为2.1年(IQR 0.5-4.8年)。gydF4y2Ba

对于难治性抑郁症患者或具有精神病特征的抑郁症患者，抗精神病药物可与抗抑郁药物结合使用[gydF4y2Ba51gydF4y2Ba］．我们的研究确定了用于双相情感障碍转换者和非双相情感障碍转换者的最佳鉴别剂，这一发现可能表明双相情感障碍转换者有更严重的抑郁症状或精神病症状。这一发现与之前的研究结果一致，即精神病和MDD严重程度与双相情感障碍的转化有关[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba22gydF4y2Ba］．此外，在Li等人的研究中，发现抗抑郁药不良反应史与双相情感障碍转换有关[gydF4y2Ba15gydF4y2Ba］．作者认为，当抗抑郁药物治疗方案改变两次或两次以上时，抗抑郁药物的反应较差。与这些结果一致的是，我们的结果显示使用的抗抑郁药的种类是双相情感障碍转换风险的重要预测因素。gydF4y2Ba

苯二氮卓类药物对于缓解失眠、焦虑和肌肉紧张等常见症状是安全有效的[gydF4y2Ba52gydF4y2Ba］．苯二氮卓类药物通常不是躁狂的“核心”治疗方法，但它们可以迅速帮助控制某些躁狂症状，如躁动、躁动和失眠。根据Rizvi等人的研究，关于苯二氮卓类药物的使用，重度抑郁症患者更有可能失业，并有共病性恐慌障碍[gydF4y2Ba53gydF4y2Ba］．他们的结果表明，苯二氮卓使用者的功能损害比非使用者更严重。另一方面，Holma等人发现重度抑郁症的严重程度与双相情感障碍的转化有关[gydF4y2Ba18gydF4y2Ba］．我们的研究发现，在一次访问中使用更多种类的苯二氮卓类药物与更高的双相情感障碍转换率之间存在关联。这一发现可能反映了重度抑郁症严重程度和双相情感障碍转换之间的关联。gydF4y2Ba

能够在不牺牲预测或分类准确性的情况下促进双相情感障碍早期发现的模型比那些没有这种能力的模型具有更好的临床意义。虽然我们的最终模型在注册后6个月内使用变量的表现令人满意，但我们进一步使用注册后12个月内的变量进行了比较分析，以使用相同的分析程序检查预测模型的性能。结果(gydF4y2Ba多媒体附件2gydF4y2Ba)显示两个数据集之间的AUC没有显著改善(gydF4y2BaPgydF4y2Ba= .09点;即，前6个月和前12个月的变量)。这显示了两个关键的临床好处。首先，可以使用前6个月的数据进行早期检测，这进一步减少了与传统方法相关的不必要的成本和误诊。其次，它减少了临床分析的数据量，而不影响诊断的准确性。这一经验证据增加了临床实践，因为我们现在可以在收集前6个月的数据后迅速识别双相情感障碍转换的高风险患者。gydF4y2Ba

在我们的研究中，结果表明RF在10倍交叉验证过程中具有最高的平均AUC，并且RF在测试集中的使用表现与训练/验证集中的性能一致。许多先前的研究也发现射频比许多标准的监督学习技术表现得更好[gydF4y2Ba54gydF4y2Ba-gydF4y2Ba57gydF4y2Ba］．随机分布的主要优点是:(1)随机分布不涉及模型具有线性关系的假设;(2) RF采用集成学习，通过加入一组弱学习者，形成一个强学习者;(3) RF对数据进行迭代采样并进行嵌入特征选择，形成多棵决策树。因此，RF具有较好的容错能力和较低的泛化误差，被推荐为最佳的分类器。gydF4y2Ba

对文学的贡献gydF4y2Ba

我们的工作在几个方面增加了文献。首先，与以往大多数基于小型或单一医院样本的研究相比，我们的工作涉及基于人群的评估，提供了更广泛的概括性。由此产生的风险分类也具有更广泛的意义。例如，基于小样本结果的临床评估由于可能的抽样误差、抽样偏差和其他困扰小样本研究的常见问题而受到变异性的影响。其次，我们的工作是第一个为mdd到双相情感障碍转换开发风险分层模型的研究。该模型同时考虑了人口统计学、精神疾病共患病(世界卫生组织的ICD-9-CM)和使用行为，提供了国际卫生保健标准、行业实践、患者和患者行为的整体视图。最后，我们研究纵向趋势的结果表明，医疗保健使用行为和精神药物的使用可以被用于对重度抑郁症患者的双相情感障碍转换风险进行分类。gydF4y2Ba

对行业的贡献gydF4y2Ba

我们的研究结果也有重要的实际意义。本研究建立的风险分层模型易于应用于临床实践，预测效率较高。例如，可以根据我们的发现制定一个简单的问卷，以检查患者是否具有我们的风险分层模型中显示的特征。临床医生可以及早发现双相情感障碍患者，并为这些患者安排适当的治疗。gydF4y2Ba

局限性和未来研究gydF4y2Ba

我们的研究并非没有局限性。首先，关于精神障碍家族史、负载谱系、生活方式因素和环境因素的信息没有包括在NHIRD中，所有这些都可能与双相情感障碍的风险相关。其次，在涉及使用NHIRD的研究中，尚不清楚诊断分类是如何进行的，特别是对精神病学诊断。因此，我们研究的诊断准确性无法确定。应对通过结构化访谈或标准诊断标准诊断的患者进行额外的研究。第三，在我们的研究中，抑郁症的实际严重程度尚不清楚，这一因素是否会影响皈依的风险值得进一步研究。第四，在我们的研究中，观察期的持续时间可能不足以检测某些抑郁症患者的转化。此外，观察期的不同持续时间可能是我们研究中的一个混杂变量。因此，未来的研究需要更长的和不同的观察周期。第五，提出了一些新颖的特征工程算法。 Future researchers could consider adopting these techniques to improve the prediction performance. Finally, the accuracy of the prediction model using variables before enrollment could still be improved with variables after enrollment and variables that are not directly collected in the NHIRD, such as lifestyle and severity variables mentioned in the preceding paragraph. Although not the focus of this study, patterns of changes in variables could be further studied to identify changes that have effects on the accuracy of diagnostic results.

结论gydF4y2Ba

重度抑郁症和双相情感障碍是精神病学中两种常见的情绪障碍。这两种疾病都与严重的功能损害和残疾有关[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba6gydF4y2Ba]，但他们有不同的临床病程、治疗策略和预后。然而，双相情感障碍的病程可能以抑郁症开始，在初始阶段可被诊断为MDD [gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba］．这种隐藏的双相情感障碍可能会导致单相抑郁症的治疗抵抗[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba29gydF4y2Ba］．考虑到单极-双相情感障碍的治疗和预后意义，预测哪些患者在MDD指标诊断后会表现为双相情感障碍具有相当重要的临床意义。在我们的研究中，CART方法确定了双相情感障碍转换的五个重要变量。在一个简单的两到四步过程中，这些变量允许识别低、中或高风险的双相情感障碍转换患者。该模型可应用于常规临床实践，促进双相情感障碍的早期诊断。gydF4y2Ba