基于機(jī)器學(xué)習(xí)構(gòu)建中重度抑郁癥住院患者使用SNRI類抗抑郁藥的療效預(yù)測(cè)模型

中圖分類號(hào) R971+.43;TP181 文獻(xiàn)標(biāo)志碼A 文章編號(hào) 1001-0408（2025）15-1936-06

DOI 10.6039/j.issn.1001-0408.2025.15.21

Construction of a predictive model for the eficacy of SNRI antidepressants in inpatientswith moderate and severe depression based on machine learning

LIU Xuetao'2，LIU Yang'，LI Hongjian2，WU Jianhua2，LIU Siming2，JIAO Min，YU Luhai2（1. School of Pharmacy，Shihezi University，Xinjiang Shihezi 8320o0，China；2.Dept.of Pharmacy，Xinjiang Uygur Autonomous Region People's Hospital，Urumqi 830001，China）

ABSTRACTOBJECTIVEToconstructapredictionmodelfortheeficacyof serotonin-norepinephrinereuptake inhibitor （SNRI）ininpatients withmoderateand severedepresion byusingamachine learning method.METHODS Thecaserecordsof inpatients withmoderateandseveredepressiontreaedwithSNIantidepressantserecolectedfromathirdgradeclass-Aospital in XinjiagfromJanuary222toOctober2024；thosepatients weredividedintoefectivegroupand ineffectivegroupbasedonthe Hamiltondepressonscale-24scorereductionrate.Afterscrenngthecharacteristicvariablesrelatedtothetherapeuticeffcacyof SNRI drugs through LASSOregresion，fiveprediction modelsincludingsupport vector machine，k-nearest neighbor，random forest，lightweightgradientbostingmachineandextremegradientboostingwereconstructedusingthetrainingset.Bayesian optimizationwasusedtoadjust thehyperparametersof these models.Teperformanceofthe modelswasevaluatedinthevalidation settoselecttheoptimal model.TheShapleyaditiveexplanations methodwasusedtoperformexplainableanalysisonthebest model.RESULTSThemedical recordsfrom 355hospitalizedpatients with moderateandseveredepresson werecollected， comprising 285casesintheefectivegroupand7cases intheinefectivegroup，resultinginanoveralltherapeuticresponserateof 80.28% .Afterfeature Variablescreening，fivecharacteristicvariablesfortherapeutic eficacy wereobtained，including Hamilton anxietyscale，bloodureanitrogen，combinationofanti-anxietydrugs，drinkinghistory，andfrstonsetofthedisease.Compared withothermodels，therandomforestmodelperformedthebest.Theareaunderthereceiveroperatingcharacteristiccurvewas 0.85，theareaunder the precision-recallcurvewasO.87，theacuracywasO.74，andtherecallratevaluewas 0.75.

CONCLUSIONS Therandom forestmodel constructed based onfive characteristic variables demonstrates potential for predicting the therapeutic efficacy of SNRI antidepressantsin hospitalizedpatientswithmoderateandseveredepression.

KEYWORDSserotonin-norepinephrinereuptakeinhibitor; moderate and severe depression；efficacy；machine learning; predictive model

抑郁癥是常見(jiàn)的精神疾病之一，其特點(diǎn)是持續(xù)的情緒低迷、興趣缺失和愉悅感降低，若持續(xù)發(fā)展可引起一系列軀體癥狀，甚至使患者出現(xiàn)自殺傾向，嚴(yán)重影響其生活質(zhì)量]。抑郁癥的治療方法主要為藥物療法和心理療法。5-羥色胺去甲腎上腺素再攝取抑制劑（serotonin-noradrenalinreuptakeinhibitor，SNRI）是治療抑郁癥的常用一線藥物，但接受SNRI類藥物治療的患者中有超過(guò)50% 的癥狀沒(méi)有得到有效緩解2。多項(xiàng)研究表明，中重度抑郁癥患者早期癥狀的顯著改善對(duì)其長(zhǎng)期的整體轉(zhuǎn)歸具有重要作用3，因此在其治療過(guò)程中藥物的選擇顯得尤為重要。目前精神科醫(yī)師一直嘗試了解與藥物或心理治療反應(yīng)有關(guān)的因素，以便個(gè)體化患者的治療選擇。近年來(lái)，機(jī)器學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域逐漸被廣泛應(yīng)用，其能對(duì)多維數(shù)據(jù)集進(jìn)行自我學(xué)習(xí)，發(fā)現(xiàn)數(shù)據(jù)之間的內(nèi)在聯(lián)系，使得對(duì)患者療效的預(yù)測(cè)成為可能。本研究通過(guò)收集中重度抑郁癥住院患者信息，運(yùn)用機(jī)器學(xué)習(xí)方法構(gòu)建該類患者使用SNRI類藥物的療效預(yù)測(cè)模型，以期為臨床提供一種高效且可靠的工具。

1資料與方法

1.1研究對(duì)象及納排標(biāo)準(zhǔn)

本研究回顧性收集了2022年1月至2024年10月在新疆某三甲醫(yī)院住院治療的中重度抑郁癥患者信息。納入標(biāo)準(zhǔn)為：（1）符合《疾病和有關(guān)健康問(wèn)題的國(guó)際統(tǒng)計(jì)分類》（第10次修訂本）中的中度與重度抑郁癥的診斷標(biāo)準(zhǔn);（2） 18～65 歲；（3）24項(xiàng)漢密爾頓抑郁量表（Hamil-tonDepressionScale-24，HAMD-24）得分 gt;20 分；（4）使用SNRI類抗抑郁藥。排除標(biāo)準(zhǔn)為：（1）有器質(zhì)性腦疾病或腦外傷史者；（2）對(duì)所使用的藥物成分過(guò)敏者；（3）物質(zhì)使用障礙、精神分裂癥、癥、雙相情感障礙、驚恐障礙、強(qiáng)迫癥患者；（4）妊娠期或哺乳期女性；（5）治療期間接受改良電休克治療者；（6）合用兩種及以上抗抑郁藥物者。本研究已獲新疆維吾爾自治區(qū)人民醫(yī)院倫理委員會(huì)批準(zhǔn)（倫理意見(jiàn)編號(hào)：KY2024120219）。

1.2 研究方法

1.2.1 資料收集

本研究基于文獻(xiàn)與現(xiàn)有病歷系統(tǒng)資料，收集可能影響患者治療效果的相關(guān)變量57個(gè)，包括：（1）人口統(tǒng)計(jì)學(xué)信息一年齡、性別、民族、婚姻狀況、學(xué)歷、職業(yè)性質(zhì)、體重指數(shù)（bodymassindex，BMI）、吸煙史、飲酒史；（2）臨床特征一抑郁癥分型、（是否）首次發(fā)病、共病焦慮癥、共病高血壓、共病糖尿病、共病冠心病、住院天數(shù)；（3）用藥前實(shí)驗(yàn)室檢查指標(biāo)一丙氨酸轉(zhuǎn)氨酶、天冬氨酸轉(zhuǎn)氨酶、血尿素氮（bloodureanitrogen，BUN）、肌酐、甘油三酯、總膽固醇、高密度脂蛋白、低密度脂蛋白、C反應(yīng)蛋白、催乳素、雌二醇、睪酮、孕酮；（4）治療期間測(cè)評(píng)量表結(jié)果—HAMD-24評(píng)分、漢密爾頓焦慮量表（HamiltonAnxietyScale，HAMA）評(píng)分、90項(xiàng)癥狀自評(píng)量表（SymptomChecklist-90，SCL-90）中的10個(gè)核心因子（軀體化、強(qiáng)迫癥狀、人際關(guān)系敏感、抑郁、焦慮、敵對(duì)、恐怖、偏執(zhí)、精神病性、其他）評(píng)分、艾森克人格問(wèn)卷（EysenckPersonalityQuestionnaire，EPQ）中4個(gè)核心人格維度（外向性、神經(jīng)質(zhì)、精神質(zhì)、掩飾性）評(píng)分、匹茲堡睡眠質(zhì)量指數(shù)（Pittsburgh SleepQuality Index，PSQI）評(píng)分、社會(huì)功能缺陷篩選量表（SocialDisability ScreeningSchedule，SDSS）評(píng)分、哥倫比亞自殺嚴(yán)重程度評(píng)定量表（Columbia-suicide Severity Rating Scale，C-SSRS）評(píng)分、修訂版外顯攻擊行為量表（ModifiedOvertAggressionScale，MOAS）評(píng)分；（5）治療措施—抗抑郁藥物、抗精神病藥物、改善睡眠藥物、抗焦慮藥物、心境穩(wěn)定劑、舒肝解郁膠囊的使用情況，以及針灸治療例數(shù)和心理治療次數(shù)。

1.2.2療效判斷標(biāo)準(zhǔn)及分組

本研究以HAMD-24評(píng)分減分率作為療效判斷標(biāo)準(zhǔn)。該量表由主管醫(yī)師根據(jù)患者癥狀進(jìn)行打分，總分 ? 8分為正常狀態(tài)， 9～20 分為輕度抑郁癥， 21～34 分為中度抑郁癥， ?35 分為重度抑郁癥。治療有效定義為患者出院時(shí)HAMD-24評(píng)分較入院時(shí)基線值降低 ?50% 治療無(wú)效定義為患者出院時(shí)HAMD-24評(píng)分較入院時(shí)基線值降低 lt;50%^[7] 。據(jù)此，住院患者被分為兩組：有效組和無(wú)效組。

1.2.3 數(shù)據(jù)預(yù)處理

本研究收集到的患者信息，部分變量存在缺失值，而在統(tǒng)計(jì)分析中忽略缺失數(shù)據(jù)會(huì)產(chǎn)生嚴(yán)重偏倚。為符合建模要求，本研究對(duì)缺失率 ?30% 的變量進(jìn)行刪除，不將其納入模型構(gòu)建；對(duì)缺失率 lt;30% 的變量，運(yùn)用R軟件mice包中的多重插補(bǔ)法進(jìn)行插補(bǔ)，插補(bǔ)次數(shù)為5次，插補(bǔ)模型為預(yù)測(cè)均值匹配模型。多重插補(bǔ)法通過(guò)利用已有的完整數(shù)據(jù)多次模擬生成多個(gè)數(shù)據(jù)集來(lái)填補(bǔ)缺失值，其優(yōu)點(diǎn)在于考慮了數(shù)據(jù)之間的復(fù)雜關(guān)系，使得插補(bǔ)后的數(shù)據(jù)在分布上與原始數(shù)據(jù)更為接近，偏倚較小。

本研究結(jié)局變量中無(wú)效組的樣本數(shù)量較少，使得分類結(jié)果更易于偏向有效樣本數(shù)據(jù)，導(dǎo)致模型性能下降。為了解決分類不平衡問(wèn)題，本研究使用R語(yǔ)言軟件recipes包中合成少數(shù)類過(guò)采樣技術(shù)（syntheticminorityover-samplingtechnique，SMOTE）平衡數(shù)據(jù)樣本，采樣比例為1：1，該技術(shù)通過(guò)分析少數(shù)類樣本在特征空間中的分布，利用其近鄰樣本進(jìn)行線性插值，合成新的少數(shù)類樣本，與現(xiàn)有樣本組成新的訓(xùn)練集[

此外，本研究對(duì)分類變量進(jìn)行獨(dú)熱編碼處理，使數(shù)據(jù)符合機(jī)器學(xué)習(xí)運(yùn)行過(guò)程；對(duì)連續(xù)變量進(jìn)行Z-score標(biāo)準(zhǔn)化處理，以消除變量單位不同導(dǎo)致的數(shù)據(jù)差異

1.2.4 特征變量的選擇

本研究運(yùn)用R4.2.1軟件中g(shù)lmnet包中最小絕對(duì)值收縮和選擇算子（leastabsolute shrinkageand selectionoperator，LASSO）回歸分析及十折交叉驗(yàn)證選擇出懲罰項(xiàng) λ 值的擬合模型，以篩選最佳特征變量。其中LASSO回歸分析是一種通過(guò)引人L1正則化，將不重要特征變量的懲罰項(xiàng)系數(shù)壓縮為0來(lái)選擇特征和降維，以篩選貢獻(xiàn)大的特征和消除冗余特征的方法[0]。

1.2.5 模型構(gòu)建與性能評(píng)估

本研究運(yùn)用R4.2.1軟件中tidymodels包構(gòu)建模型，將LASSO回歸分析篩選得到的預(yù)測(cè)特征變量納人模型構(gòu)建。將數(shù)據(jù)集按7：3的采樣比例劃分為訓(xùn)練集與驗(yàn)證集，其中訓(xùn)練集用于模型擬合與超參數(shù)調(diào)整，具體操作為：（1）構(gòu)建5種機(jī)器學(xué)習(xí)模型，包括支持向量機(jī)（sup-portvector machine，SVM）、k近鄰（k-nearest neighbor，KNN）、隨機(jī)森林（randomforest，RF）、輕量級(jí)梯度提升機(jī)（lightweight gradient boosting machine，LightGBM）和極端梯度提升（extreme gradient boosting，XGBoost）模型。（2）使用五折交叉驗(yàn)證與貝葉斯優(yōu)化算法調(diào)整超參數(shù)與優(yōu)化模型。貝葉斯優(yōu)化算法在嘗試下一組超參數(shù)時(shí)，能通過(guò)分析以往的訓(xùn)練和評(píng)估結(jié)果，來(lái)指導(dǎo)當(dāng)前超參數(shù)的調(diào)整，以實(shí)現(xiàn)模型性能的動(dòng)態(tài)更新和優(yōu)化，在提高搜索效率和精度方面較網(wǎng)格搜索更具有優(yōu)勢(shì)]。在超參數(shù)調(diào)整過(guò)程中，以模型的受試者工作特征曲線下面積（area under the receiver operating characteristic curve，ROCAUC）值作為評(píng)價(jià)指標(biāo)，通過(guò)最大化的ROCAUC值來(lái)確定最優(yōu)超參數(shù)組合。驗(yàn)證集用于評(píng)估訓(xùn)練好的模型性能，以ROCAUC值、精確率-召回率曲線下面積（areaunder the precision-recall curve，PRAUC）值、準(zhǔn)確度、靈敏度、精確率、召回率作為預(yù)測(cè)模型的性能評(píng)價(jià)指標(biāo)。此外，本研究還繪制了受試者工作特征曲線、精確率-召回率曲線（precision-recallcurve，PR）、校準(zhǔn)曲線與決策曲線（decisioncurveanalysis，DCA），以進(jìn)一步分析和展示預(yù)測(cè)模型在實(shí)際臨床應(yīng)用中的效用。

1.2.6 模型解釋

采用夏普利加性解釋（Shapleyadditiveexplana-tions，SHAP）方法來(lái)解釋性能最優(yōu)的模型。SHAP是一個(gè)解釋機(jī)器學(xué)習(xí)模型的統(tǒng)一框架，根據(jù)博弈論估計(jì)每個(gè)特征的貢獻(xiàn)，以此來(lái)衡量每個(gè)特征對(duì)預(yù)測(cè)結(jié)果的影響[2]。通過(guò)計(jì)算訓(xùn)練集中每位患者樣本數(shù)據(jù)的SHAP值，可以深人了解每個(gè)指標(biāo)對(duì)預(yù)測(cè)模型的貢獻(xiàn)。

1.2.7 統(tǒng)計(jì)分析

運(yùn)用R4.2.1軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)量資料通過(guò)峰度和偏度檢驗(yàn)，以確定是否遵循正態(tài)分布，若符合正態(tài)分布則用 描述，組間比較采用獨(dú)立樣本t檢驗(yàn)；若非正態(tài)分布則用 M（P_²⁵，P_⁷⁵） 描述，組間比較采用MannWhitney U 檢驗(yàn)。計(jì)數(shù)資料采用例數(shù)或占比 （% 描述，組間比較采用 χ² 檢驗(yàn)。檢驗(yàn)水準(zhǔn) α=0.05 。

2 結(jié)果

2.1 基線信息

本研究收集到符合納入標(biāo)準(zhǔn)的中重度抑郁癥住院患者共355例，其中女性占 77.46%（n=275） ；所有患者平均年齡為44歲。有效組患者有285例，無(wú)效組患者有

70例，抗抑郁治療有效率為 80.28% 。兩組患者的部分基線資料信息見(jiàn)表1，人院治療措施見(jiàn)表2。由表1可知，有效組與無(wú)效組患者在BUN、首次發(fā)病、HAMA評(píng)分上的差異有統(tǒng)計(jì)學(xué)意義 （Plt;0.05） 。由表2可知，住院患者多采用聯(lián)合治療方式，有效組與無(wú)效組患者在合用抗焦慮藥物上的差異有統(tǒng)計(jì)學(xué)意義 （Plt;0.05） ;SNRI類藥物中使用頻率最高的為文拉法辛（ 64.51% ；聯(lián)合用藥方案中，常用藥物為抗精神病藥物 94.93% ）改善睡眠藥物 96.34% 和抗焦慮藥物 43.94% ）。

表1兩組患者的部分基線資料信息比較結(jié)果

2.2 特征變量選擇結(jié)果

使用LASSO回歸篩選與療效相關(guān)的特征變量，采用十折交叉驗(yàn)證方法進(jìn)行迭代分析，變量系數(shù)的變化如圖1所示。為避免重要因素丟失與過(guò)度擬合發(fā)生，本研究選擇最小 λ 值（lambda.min）為0.031；將對(duì)結(jié)局影響不重要的特征變量懲罰項(xiàng)系數(shù)逐漸壓縮為0，最終從57個(gè)變量中篩選出與療效密切相關(guān)的5個(gè)變量：HAMA評(píng)分中 β=-0.017 ）合用抗焦慮藥物 _（β=0.106 ）、飲酒史 β= -0.025 ）、BUN（ β=0.0001 、首次發(fā)病 （β=0.179 ）。

2.3模型構(gòu)建與性能評(píng)估結(jié)果

本研究根據(jù)LASSO回歸篩選的結(jié)果，對(duì)分類變量進(jìn)行編碼，規(guī)則為：合用抗焦慮藥物為“無(wú)\"的編碼為0，

表2兩組患者入院治療措施比較結(jié)果

注：圖1A中52個(gè)懲罰項(xiàng)特征變量系數(shù)逐漸壓縮為0；圖1B中十折交叉驗(yàn)證過(guò)程中均方誤差隨lg入變化以確定最佳入，左側(cè)虛線入值（lambda.1se）為0.051，右側(cè)虛線最小λ值（lambda.min）為0.031。

為“坦度螺酮”的編碼為1，為“丁螺環(huán)酮\"的編碼為2；首次發(fā)病為“是”的編碼為1，為“否\"的編碼為2；飲酒史為“有\(zhòng)"的編碼為1，為“無(wú)\"的編碼為2。

基于特征變量選擇結(jié)果得到的5個(gè)變量構(gòu)建了5個(gè)機(jī)器學(xué)習(xí)模型，包括KNN、SVM、RF、LightGBM和XGBoost模型。用訓(xùn)練集構(gòu)建預(yù)測(cè)模型并進(jìn)行模型超參數(shù)優(yōu)化，結(jié)果見(jiàn)表3；用驗(yàn)證集評(píng)估各模型性能，結(jié)果見(jiàn)表4。由表4可知，RF模型的ROCAUC值（0.85）、

PRAUC值（0.87）、準(zhǔn)確度（0.74）、召回率（0.75）最高，精確率（0.73）靈敏度（0.77）也較高，說(shuō)明該模型優(yōu)于其他模型。各模型的ROCAUC值與PRAUC值見(jiàn)圖2，可見(jiàn)RF模型優(yōu)于其他模型；各模型的校準(zhǔn)曲線見(jiàn)圖3，可見(jiàn)XGBoost模型的預(yù)測(cè)概率接近實(shí)際預(yù)測(cè)概率（圖中虛線），其次為RF模型;各模型的決策曲線結(jié)果見(jiàn)圖4，可見(jiàn)RF曲線接近右上角且高于TreatAll曲線，說(shuō)明RF模型更具有臨床效用。綜合以上結(jié)果可得，RF模型在多個(gè)關(guān)鍵性能指標(biāo)上表現(xiàn)最佳，故選定RF模型為最優(yōu)模型。

表3模型超參數(shù)優(yōu)化結(jié)果

表4模型性能評(píng)估結(jié)果

圖2機(jī)器學(xué)習(xí)模型的受試者工作特征曲線與PR

圖3機(jī)器學(xué)習(xí)模型的校準(zhǔn)曲線

2.4模型解釋結(jié)果

使用SHAP方法對(duì)最優(yōu)預(yù)測(cè)模型RF進(jìn)行解釋，可通過(guò)SHAP值了解每個(gè)特征變量對(duì)模型預(yù)測(cè)結(jié)果的貢獻(xiàn)程度，結(jié)果見(jiàn)圖5、圖6。從圖5、圖6可知，5個(gè)特征變量中，HAMA評(píng)分對(duì)模型預(yù)測(cè)的貢獻(xiàn)最大且呈現(xiàn)負(fù)向影響，隨后的貢獻(xiàn)程度排序依次為BUN、合用抗焦慮藥物、首次發(fā)病、飲酒史。

注：TreatNone表示對(duì)所有受試者均不進(jìn)行干預(yù)時(shí)的凈獲益線；TreatAll表示對(duì)所有受試者均進(jìn)行干預(yù)時(shí)的凈獲益線。

圖4機(jī)器學(xué)習(xí)模型的決策曲線

圖5RF模型的SHAP變量重要度排序

圖6RF模型的SHAP值蜂窩圖

注：圖中每個(gè)點(diǎn)代表數(shù)據(jù)集中的一個(gè)樣本；連續(xù)型變量的顏色越紅代表數(shù)值越小，顏色越藍(lán)代表數(shù)值越大;SHAP值為正值表示特征變量增加了模型輸出（即提高了治療有效的預(yù)測(cè)概率），負(fù)值則相反。

3 討論

3.1SNRI類藥物抗抑郁治療的效果分析

本研究收集的中重度抑郁癥住院患者使用SNRI類藥物的治療有效率為 80.28% ，高于文獻(xiàn)[2]報(bào)道的 50% 其可能原因有：（1）本研究收集的樣本來(lái)自住院患者，住院期間得到臨床醫(yī)護(hù)人員更好的治療和護(hù)理；（2）本研究住院患者大多數(shù)為中度抑郁 （91.27%） ，且入院時(shí)HAMD-24評(píng)分為 （25.17±4.61 分，表明其抑郁癥狀相對(duì)較輕；（3）患者住院過(guò)程中采用了多種治療方式，包括使用多種改善癥狀的藥物與心理治療方案。與既往研究建立的單一用藥療效預(yù)測(cè)模型不同，本研究患者存在SNRI類抗抑郁藥物與多種增效藥物聯(lián)用的情況。已有研究表明，治療抑郁癥的過(guò)程中，在單一抗抑郁藥物治療效果有限時(shí)，可增加另一類藥物增效治療[13-14]。此外，本研究還發(fā)現(xiàn)，SNRI類藥物使用最多的為文拉法辛L 64.51% ，現(xiàn)有證據(jù)也表明文拉法辛的臨床治愈率高于5-羥色胺再攝取抑制劑[15]

3.2SNRI類藥物抗抑郁療效的影響因素分析

SHAP值是特征變量重要性的量化指標(biāo)，其明確反映了特征變量對(duì)預(yù)測(cè)結(jié)果的影響。SHAP值蜂窩圖分析結(jié)果顯示，患者入院時(shí)較高的HAMA評(píng)分、不合用抗焦慮藥物、較高的BUN水平、非首次發(fā)病、存在飲酒史對(duì)中重度抑郁癥的治療呈現(xiàn)顯著的負(fù)向影響趨勢(shì)。HAMA評(píng)分由主管醫(yī)師根據(jù)患者癥狀綜合打分得到，能夠反映患者焦慮癥狀的嚴(yán)重程度，HAMA評(píng)分越高，其治療無(wú)效的發(fā)生風(fēng)險(xiǎn)越高。多項(xiàng)研究結(jié)果表明，共病嚴(yán)重焦慮的抑郁癥患者對(duì)抗抑郁藥物的治療反應(yīng)較差，且嚴(yán)重的焦慮癥狀與較長(zhǎng)的抑郁癥治療反應(yīng)時(shí)間和較短的抑郁復(fù)發(fā)時(shí)間呈現(xiàn)相關(guān)性[16-17]。抑郁癥患者合用抗焦慮藥物不僅能有效改善焦慮癥狀，還能起到一定的抗抑郁作用，發(fā)揮協(xié)同增效作用。 STAR^*D 研究結(jié)果也證實(shí)，抗焦慮藥物與抗抑郁藥物聯(lián)合使用可以提高抑郁癥的治療有效率[1]。BUN能反映腎臟排泄功能，腎功能減退（BUN升高）可能導(dǎo)致SNRI類藥物的活性代謝物（如O. -去甲基文拉法辛）在體內(nèi)蓄積，改變血藥濃度，從而影響療效[8]。相較于首次發(fā)病的抑郁癥患者，非首次發(fā)病的患者可能病情更為慢性或難治，管理策略需包括長(zhǎng)期藥物治療和定期心理治療，以降低復(fù)發(fā)頻率和緩解病情嚴(yán)重性。Buckman等[9的研究結(jié)果也論證了抑郁癥的復(fù)發(fā)史是一個(gè)強(qiáng)有力的成人抑郁癥復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)。長(zhǎng)期飲酒可能導(dǎo)致大腦對(duì)神經(jīng)遞質(zhì)（如血清素和多巴胺等）的敏感性降低，從而可能引發(fā)抑郁風(fēng)險(xiǎn)[20；同時(shí)，酒精濫用不僅會(huì)加重已有的抑郁癥狀，還與更高的自殺風(fēng)險(xiǎn)相關(guān)，從而影響抑郁癥的治療效果2；此外，有研究表明酗酒的抑郁癥患者對(duì)抗抑郁藥物還表現(xiàn)出抵抗性[22]。由此可見(jiàn)，上述5個(gè)特征變量是影響中重度抑郁癥住院患者使用SNRI類藥物療效的重要因素。

3.3SNRI類藥物抗抑郁療效預(yù)測(cè)模型的構(gòu)建與評(píng)價(jià)

相較于傳統(tǒng)統(tǒng)計(jì)學(xué)，機(jī)器學(xué)習(xí)不依賴于變量間顯著關(guān)系的先驗(yàn)檢驗(yàn)，能自動(dòng)學(xué)習(xí)復(fù)雜數(shù)據(jù)之間的聯(lián)系，并在新數(shù)據(jù)上有很強(qiáng)的泛化能力，因此其應(yīng)用更加靈活[23]。本研究中，模型的構(gòu)建依托于真實(shí)世界中的觀察性數(shù)據(jù)，該類數(shù)據(jù)以其低成本、可快速收集和覆蓋異質(zhì)性人群的特點(diǎn)，日益成為個(gè)體化干預(yù)效果評(píng)估研究的關(guān)鍵資源。本研究運(yùn)用SMOTE處理不平衡數(shù)據(jù)集，可提高少數(shù)類別的預(yù)測(cè)能力，避免模型過(guò)擬合；采用LASSO回歸技術(shù)進(jìn)行特征變量篩選，可以降低模型的復(fù)雜程度，防止過(guò)擬合發(fā)生，最終篩選出5個(gè)關(guān)鍵特征，即HAMA評(píng)分、BUN、合用抗焦慮藥物、首次發(fā)病、飲酒史，然后基于以上特征運(yùn)用了5種不同的機(jī)器學(xué)習(xí)算法構(gòu)建并驗(yàn)證模型。所有模型在驗(yàn)證集中的比較結(jié)果顯示，RF模型的ROCAUC值和PRAUC值均為最大，而在所有性能評(píng)估指標(biāo)中，ROCAUC和PRAUC能更好地顯示出模型的分類性能；同時(shí)，決策曲線可用于評(píng)估預(yù)測(cè)模型在臨床或?qū)嶋H決策中的價(jià)值，而RF模型在決策曲線上表現(xiàn)出了更好的適用性，由此可知，RF模型具有更好的預(yù)測(cè)性能。

綜上所述，本研究基于真實(shí)世界數(shù)據(jù)，深人分析了中重度抑郁癥住院患者使用SNRI類藥物后影響療效的相關(guān)特征變量，建立的RF模型可對(duì)中重度抑郁癥住院患者使用SNRI類藥物后的療效進(jìn)行預(yù)測(cè)。該模型可以集成到移動(dòng)應(yīng)用程序中，并結(jié)合電子病歷數(shù)據(jù)，為患者提供個(gè)體化的治療建議。臨床醫(yī)師可以將影響療效的變量輸入預(yù)測(cè)模型以提前識(shí)別可能治療無(wú)效的患者，及時(shí)對(duì)患者調(diào)整治療策略，以避免無(wú)效的藥物使用和治療延誤。但是，本研究也存在一定的局限性：一是本研究屬于單中心回顧性研究，存在一定的回憶偏倚，建議未來(lái)開(kāi)展更大規(guī)模的前瞻性研究并在更大的外部數(shù)據(jù)集上進(jìn)一步驗(yàn)證本研究結(jié)論。二是本研究所收集的病歷信息不夠全面，可能限制了預(yù)測(cè)模型的價(jià)值，建議未來(lái)研究納人更全面的因素，包括藥物代謝基因及環(huán)境因素（飲食習(xí)慣和壓力源等）作為預(yù)測(cè)變量，以提高預(yù)測(cè)模型的性能。

參考文獻(xiàn)

[1］陸林.沈漁邨精神病學(xué)[M].6版.北京：人民衛(wèi)生出版 社，2018：877-900.

[2]STAHLSM，GRADYMM，MORETC，et al. SNRIs： theirpharmacology，clinicalefficacy，and tolerabilityin comparison with other classes of antidepressants[J].CNS Spectr，2005，10（9）：732-747.

[3]LINH S，LINCH.Early improvement in HAMD-17and HAMD-6 scores predicts ultimate response and remission for depressed patients treated with fluoxetine or ECT[J]. J AffectDisord，2019，245：91-97.

[4] SZEGEDIA，JANSENWT，VANWILLIGENBURGAP P，et al. Early improvement in the first 2 weeks as a predictor of treatment outcome in patients with major depressive disorder：a meta-analysis including 6 562 patients[J]. J Clin Psychiatry，2009，70（3）：344-353.

[5] LIAOXM，SUYN，WANGY，etal.Antidepressant treatment strategywith an early onset of action improves the clinical outcome in patients with major depressive disorder and high anxiety： a multicenter and 6-week follow-up study[J].ChinMedJ（Engl），2020，133（6）：726-728.

[6]RUTLEDGERB，CHEKROUDAM，HUYSQJ.Machine learning and bigdata in psychiatry：towardclinical applications[J].CurrOpinNeurobiol，2019，55：152-159.

[7] 中華醫(yī)學(xué)會(huì)行為醫(yī)學(xué)分會(huì)，中華醫(yī)學(xué)會(huì)行為醫(yī)學(xué)分會(huì)認(rèn) 知應(yīng)對(duì)治療學(xué)組，王長(zhǎng)虹，等.抑郁癥治療與管理的專家 推薦意見(jiàn)：2022年[J].中華行為醫(yī)學(xué)與腦科學(xué)雜志，2023 （3）：193-202.

[8] CARPENITO T，MANJOURIDES J. MISL： multiple imputation by super learning[J]. Stat Methods Med Res， 2022，31（10）：1904-1915.

[9] WANG XC，REN H，RENJH，et al. Machine learningenabled risk prediction of chronic obstructive pulmonary disease with unbalanced data[J]. Comput Methods Programs Biomed，2023，230：107340.

[10]謝宏宇，侯艷，李康.基于正則化回歸的組學(xué)數(shù)據(jù)變量篩 選方法[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2016，33（4）：733-736.

[11] 崔佳旭，楊博.貝葉斯優(yōu)化方法和應(yīng)用綜述[J].軟件學(xué) 報(bào)，2018，29（10）：3068-3090.

[12] 吳妍.基于機(jī)器學(xué)習(xí)的糖尿病早期診斷模型及可解釋分 析[D].重慶：重慶理工大學(xué)，2024.

[13]NUNEZ N A， JOSEPH B，PAHWA M，et al. Augmentation strategies for treatment resistant major depression： a systematic review and network meta-analysis[J]. JAffect Disord，2022，302：385-400.

[14]YAN Y S，YANG X，WANG M，et al. Efficacy and acceptability of second-generation antipsychotics with antidepressants in unipolar depression augmentation：a systematic review and network meta-analysis[J]. Psychol Med，2022， 52（12）：2224-2231.

[15]李凌江，馬辛.中國(guó)抑郁障礙防治指南[M].2版.北京： 中華醫(yī)學(xué)電子音像出版社，2015：59-80.

[16]FAVA M，RUSHAJ，ALPERTJE，et al.Difference in treatment outcome in outpatients with anxious versus nonanxious depression： a STAR*D report[J]. Am J Psychiatry，2008，165（3）：342-351.

[17]CUKOR D，RUE T，HEAGERTY P，et al. Anxiety and response to treatment of depression in people undergoing maintenance hemodialysis[J]. Clin J Am Soc Nephrol， 2023，18（8）：1075-1076.

[18]謝煥山，黃毅，黃善情，等.基于治療藥物監(jiān)測(cè)的O-去甲 基文拉法辛與文拉法辛濃度比值影響因素分析[J].中國(guó) 臨床藥理學(xué)雜志，2022，38（20）：2419-2422.

[19]BUCKMAN J J， UNDERWOOD A，CLARKE K，et al. Risk factors for relapse and recurrence of depression in adults and how they operate： a four-phase systematic review and meta-synthesis[J]. Clin Psychol Rev，2018，64： 13-38.

[20]DAVYDOVA T V，NEVIDIMOVA T I， VETRILE L A， et al. Correlation of antibodies to neurotransmiters in the sera of women with alcohol dependence and depressive disorders[J].Bull Exp Biol Med，2021，171（6）：704-706.

[21]NUNES E V. Alcohol and the etiology of depression[J]. AmJPsychiatry，2023，180（3） ：179-181.

[22]ALSHEIKHA M，ELEMAMMO，EL-BAHNASAWI M. Treatment of depression with alcohol and substance dependence：a systematic review[J]. Cureus，2020，12（10） ： e11168.

[23]TANDON N，TANDON R. Machine learming in psychiatry：standards and guidelines[J].Asian JPsychiatry，2019， 44：A1-A4. （收稿日期：2025-02-10修回日期：2025-05-29）