社区严重精神障碍患者危险行为发生风险预测模型

背景 严重精神障碍患者危险行为发生率较一般人群更高,我国对社区严重精神障碍患者危险行为发生风险的预测研究尚不多见,尤其缺乏除传统预测方法之外的数据挖掘技术预测模型的研究和比较.目的 采用Logistic回归分析及分类决策树构建社区严重精神障碍患者危险行为发生风险的预测模型,检验分类决策树模型是否优于Logistic回归模型.方法 于2023年12月,选取2013年—2022年随访记录完整的11 484名社区严重精神障碍在管患者,按8∶2随机分为训练集(n=9 186)与测试集(n=2 298).在训练集中,分别使用Logistic回归分析和分类决策树建立预测模型,在测试集评价模型的区分度和校准度.结果 1 115例(9.71%)严重精神障碍患者在随访期间出现危险行为.Logistic回归分析结果显示,城市户籍、贫困、有监护人、精神残疾、危险行为史阳性、自知力不全、自知力缺失、有阳性症状是患者发生危险行为的危险因素(OR=1.778、1.459、2.719、1.483、3.890、1.423、2.528、2.124,P均<0.01);年龄≥60岁、受过教育、医嘱无需用药以及社会功能一般是患者发生危险行为的保护因素(OR=0.594、0.824、0.422、0.719,P<0.05或0.01).基于测试集的ROC曲线下面积(AUC)=0.729(95%CI:0.692～0.766),准确率为70.97%,灵敏度为59.71%,特异度为72.05%;分类决策树结果显示,危险行为史、阳性症状、社会功能总评分、经济状况、自知力、户籍、残疾情况以及年龄是患者发生危险行为的影响因素,基于测试集的AUC=0.721(95%CI:0.705～0.737),准确率为68.28%,灵敏度为64.46%,特异度为68.60%.结论 分类决策树模型较Logistic回归模型对社区严重精神障碍患者危险行为发生风险的预测效果不具有更大优势.