產(chǎn)后煩悶預(yù)判模型的分類與較為

產(chǎn)后煩悶（postpartum depression，PPD）是女性臨盆后最常見(jiàn)的情感阻礙，會(huì)導(dǎo)致產(chǎn)婦、伴侶和嬰兒顯現(xiàn)多種精神健康問(wèn)題，從而對(duì)家庭和社會(huì)構(gòu)成長(zhǎng)遠(yuǎn)的牽連。PPD的產(chǎn)生往往牽扯生物學(xué)、生理和社會(huì)場(chǎng)景等多維度的風(fēng)險(xiǎn)原因[1，2，3，4]。臨床預(yù)判模型[5]是指對(duì)擁有某類特點(diǎn)表型的特定群體運(yùn)用多原因回歸創(chuàng)建統(tǒng)計(jì)模型進(jìn)行評(píng)價(jià)，預(yù)判（診療）重病的存在或預(yù)判（診療）重病將來(lái)某種結(jié)局事情的產(chǎn)生幾率。模型建立后能夠通過(guò)評(píng)價(jià)誤差危害對(duì)預(yù)判模型的確切性和應(yīng)用性進(jìn)行評(píng)估及驗(yàn)證[6]。近年來(lái)，臨床預(yù)判模型被全面運(yùn)用于醫(yī)學(xué)行業(yè)，醫(yī)護(hù)職員基于患者當(dāng)下的健康狀況，可量化患者將來(lái)患某病的危害，為患者供應(yīng)個(gè)人化醫(yī)療倡議，有利于減低醫(yī)療本錢(qián)，乃至牽連患者的診療與結(jié)局[7]。

女性自妊娠至臨盆這一特殊期間時(shí)間跨度較長(zhǎng)，往往隨同著生理攪擾，并會(huì)構(gòu)成較大的生理應(yīng)激反應(yīng)[8]，而負(fù)面的生理應(yīng)激反應(yīng)與PPD息息有關(guān)，因而產(chǎn)前運(yùn)用臨床預(yù)判模型對(duì)PPD的產(chǎn)生危害進(jìn)行預(yù)判可為初期辨認(rèn)和干預(yù)PPD供應(yīng)時(shí)間和空間，并有利于督促臨床醫(yī)療抉擇和減小不良結(jié)局的產(chǎn)生。本文旨在對(duì)不同型號(hào)的PPD預(yù)判模型進(jìn)行分類與較為，以期為PPD研發(fā)供應(yīng)1個(gè)更全面的視角，為產(chǎn)前防備及干預(yù)工作供應(yīng)科學(xué)根據(jù)。1　文獻(xiàn)檢索方略

本研發(fā)檢索了PubMed和華夏學(xué)術(shù)期刊全文（CNKI）信息庫(kù)。采取醫(yī)學(xué)主旨標(biāo)題（MeSH）、標(biāo)題和摘要中的單詞并且要害詞的組合，以"post-natal depression/ post-partum depression/postnatal depression/postpartum depression"和"risk prediction/prediction model/predictive model"為英文檢索詞，以"產(chǎn)后煩悶/產(chǎn)后煩悶癥"和"危害預(yù)判/預(yù)判模型"為中文檢索詞。采取主旨詞和要害詞相結(jié)合的方法進(jìn)行檢索，并對(duì)歸入文獻(xiàn)的考慮文獻(xiàn)進(jìn)行手工檢索。英文檢索式：post-natal depression or post-partum depression OR postnatal depression or postpartum depression AND risk prediction OR prediction model OR predictive model ；中文檢索式："產(chǎn)后煩悶" OR "產(chǎn)后煩悶癥" AND "危害預(yù)判" OR "預(yù)判模型" 。歸入規(guī)范：（1）研發(fā)目標(biāo)為年紀(jì)≥18歲的孕產(chǎn)婦；（2）研發(fā)內(nèi)容為產(chǎn)后煩悶產(chǎn)生危害的預(yù)判模型，擁有完好的模型創(chuàng)建、驗(yàn)證和評(píng)估流程；（3）研發(fā)型號(hào)含蓋前瞻性隊(duì)列研發(fā)、回首性隊(duì)列研發(fā)、病例對(duì)比研發(fā)和橫斷面研發(fā)。消除規(guī)范：（1）僅為產(chǎn)后煩悶預(yù)判原因、牽連原因研發(fā)，未建立預(yù)判模型；（2）述評(píng)、體系綜述、Meta解析、理論研發(fā)等型號(hào)的研發(fā)；（3）反復(fù)刊登、品質(zhì)較差、缺少可用的遠(yuǎn)古信息的研發(fā)；（4）模型含蓋的預(yù)判變量少于2個(gè)。2　PPD的概括

PPD的概念由PITT[9]在1968年初次提出，并將PPD歸類于臨盆后非典型煩悶病癥。美國(guó)精神醫(yī)學(xué)學(xué)會(huì)出版的第4版《精神重病診療與統(tǒng)計(jì)手冊(cè)》（The Diagnostic and Statistical Manual of Mental Disorders，DSM-4）中將PPD定論為既往無(wú)精神重病史的女性在產(chǎn)后4周內(nèi)顯現(xiàn)顯著的煩悶病癥或伴隨典型的煩悶發(fā)作，起碼連續(xù)兩周，導(dǎo)致產(chǎn)婦嚴(yán)重的性能阻礙，往往須要專業(yè)治愈[10]。DSM-5中加大了圍產(chǎn)期煩悶的概念，并界定煩悶病癥產(chǎn)生在妊娠時(shí)期或臨盆后的前4周內(nèi)[11]，促使PPD的概念及診療更擁有科學(xué)性和現(xiàn)實(shí)意思。

一項(xiàng)涵蓋世界56個(gè)國(guó)度、296 284例產(chǎn)婦的體系綜述標(biāo)明，17.7%的產(chǎn)婦患有PPD[12]。因?yàn)樾率焦跔畈《痉窝祝–OVID-19）的世界大盛行，超越四分之一的妊婦在COVID-19盛行時(shí)期顯現(xiàn)比往常更多的臨床煩悶病癥，圍產(chǎn)期煩悶抱病率高達(dá)25.6%[13]。成長(zhǎng)華夏家因?yàn)樨?cái)務(wù)資源不夠、衛(wèi)生體系薄弱等多種原因，PPD的抱病率比發(fā)達(dá)國(guó)度更高[14]。近年來(lái)，華夏大陸女性圍產(chǎn)期煩悶綜合抱病率為16.3%，此中產(chǎn)前煩悶（prenatal depression，PND）抱病率為19.7%，PPD的抱病率為14.8%[15]，且展現(xiàn)逐年升高形勢(shì)[16]。

成為世界上人口最多的國(guó)度，我國(guó)為了努力應(yīng)付人口老齡化、進(jìn)一步優(yōu)化生育政策，施行了"二孩""三孩"政策，這有利于改進(jìn)人口構(gòu)造，但也標(biāo)志著產(chǎn)后女性也許擔(dān)當(dāng)更多的哺育任務(wù)，面對(duì)著更大的家庭和工作壓力，存在著生理健康危害。同時(shí)因?yàn)槿鄙俦就粱腜PD診療規(guī)范及指南來(lái)引導(dǎo)孕期生理健康，生理咨詢服務(wù)的可及性仍舊有限[17]，因而PPD的發(fā)病率逐年上升。進(jìn)行PPD的初期預(yù)判、為孕產(chǎn)婦供應(yīng)有效的防備和治愈服務(wù)對(duì)制定擁有本土文化布景的醫(yī)療制度及保健政策供應(yīng)首要循證數(shù)據(jù)顯得分外首要。3　PPD預(yù)判模型的分類

PPD的產(chǎn)生牽扯生物-生理-社會(huì)多維度原因的一同功效，緊隨醫(yī)學(xué)形式的改變，個(gè)人化醫(yī)學(xué)的進(jìn)一步推動(dòng)，面臨妊婦海量的診斷數(shù)據(jù)并且不同的臨床病癥和體征，選擇緊密有關(guān)的風(fēng)險(xiǎn)原因歸入預(yù)判模型及選擇最適合的模型建立方式對(duì)PPD個(gè)人化精確預(yù)判尤為要害。建立PPD屬性化預(yù)判模型通常應(yīng)用傳統(tǒng)邏輯回歸方式，比如Logistic回歸解析，預(yù)判內(nèi)容含蓋PPD的診療和預(yù)后[18]。緊隨大信息發(fā)掘和解析的成長(zhǎng)，運(yùn)用非屬性化模型即非屬性化的機(jī)械學(xué)習(xí)算法建立預(yù)判模型越來(lái)越受歡迎。機(jī)械學(xué)習(xí)算法通常含蓋抉擇樹(shù)、追隨向量機(jī)（support vector machine，SVM）和K-近鄰算法（K-NN）等[19]。運(yùn)用機(jī)械學(xué)習(xí)算法建立PPD預(yù)判模型為PPD的初期預(yù)判供應(yīng)了新的途徑。3.1　PPD的屬性化模型

現(xiàn)在大一些PPD屬性化預(yù)判研發(fā)將能否產(chǎn)生PPD成為二分類結(jié)局變量，從而采取Logistic回歸解析方式討論P(yáng)PD的風(fēng)險(xiǎn)原因，依據(jù)風(fēng)險(xiǎn)原因預(yù)判PPD的產(chǎn)生幾率，并通過(guò)OR值解析預(yù)判原因與PPD的關(guān)聯(lián)強(qiáng)度。

屬性化模型能夠依據(jù)PPD有關(guān)變量的偏回歸系數(shù)建立危害評(píng)分公式，依據(jù)公式能夠計(jì)算PPD的產(chǎn)生危害，以初期辨認(rèn)有PPD偏向的產(chǎn)婦。MARACY等[20]依據(jù)伊朗鄉(xiāng)村地方保健核心采集的6 627例產(chǎn)婦的橫斷面自我報(bào)表問(wèn)卷材料，應(yīng)用屬性化Logistic回歸模型解析問(wèn)卷中的變量，結(jié)果顯現(xiàn)煩悶史、受教育水平和意外妊娠等是牽連PPD的首要風(fēng)險(xiǎn)原因。依據(jù)這類風(fēng)險(xiǎn)原因建立的危害評(píng)分公式形態(tài)簡(jiǎn)潔，易于解讀，醫(yī)護(hù)職員能夠便利應(yīng)用。由此因此，運(yùn)用屬性化模型對(duì)PPD進(jìn)行預(yù)判擁有很好的可闡明性，對(duì)衛(wèi)生保健專業(yè)職員評(píng)價(jià)PPD能否產(chǎn)生供應(yīng)了證據(jù)追隨。

屬性化模型也能夠通過(guò)計(jì)算風(fēng)險(xiǎn)原因與PPD之間的關(guān)聯(lián)強(qiáng)度，預(yù)判其對(duì)PPD的牽連水平。NAKANO等[21]于2020年回首性解析了日本愛(ài)知縣婦幼保健服務(wù)機(jī)構(gòu)2013年7月至2015年6月1 050例孕產(chǎn)婦在妊娠第11周、臨盆后14 d內(nèi)、臨盆后1個(gè)月及臨盆后3個(gè)月的信息，并進(jìn)行Logistic回歸解析，表露原因與PPD之間的關(guān)聯(lián)由OR值和95%可信區(qū)間確認(rèn)，結(jié)果顯現(xiàn)，PPD產(chǎn)前預(yù)判原因含蓋產(chǎn)前患有精神重病〔OR=4.84，95%CI（2.09，11.19）〕、缺少社會(huì)追隨〔OR=4.93，95%CI（1.54，15.74）〕、年紀(jì)<24歲〔OR=2.43，95%CI（1.37，4.30）〕。通過(guò)對(duì)風(fēng)險(xiǎn)原因與PPD的關(guān)聯(lián)強(qiáng)度進(jìn)行解析，能夠即時(shí)篩選出PPD的高危人群，為有對(duì)于性地進(jìn)行防備及干預(yù)奠奠基礎(chǔ)。

值得注重的是，建立屬性化預(yù)判模型時(shí)還要參考模型的應(yīng)用前提并且變量之間的有關(guān)性，以免顯現(xiàn)過(guò)量擬合的狀況[22]。?ANKAYA[23]采取前瞻性隊(duì)列研發(fā)設(shè)計(jì)，采集研發(fā)目標(biāo)孕早期及產(chǎn)后6~8周的通常人口學(xué)材料及孕期社會(huì)生理健康評(píng)價(jià)量表（PPHAS）評(píng)分，建立2個(gè)時(shí)間點(diǎn)的Logistic回歸模型；結(jié)果顯現(xiàn)在妊娠時(shí)期遭遇丈夫或其余家庭成員的暴力，存在婚姻問(wèn)題，產(chǎn)前顯現(xiàn)煩悶、焦急和高度感覺(jué)壓力的產(chǎn)婦患PPD的危害很高，能夠成為PPD的預(yù)判原因，此中妊娠時(shí)期遭遇丈夫或其余家庭成員暴力的女性PPD產(chǎn)生率高過(guò)未受暴力牽連的女性〔OR=0.056，95%CI=（0.014，0.236）〕。但因?yàn)檠邪l(fā)中應(yīng)用的PPHAS量表總分與其余變量之間擁有高度有關(guān)性〔r≥ 0.800，P<0.001，方差膨脹因子（VIF）≥3 000〕，即存在多重共線性，因而并未歸入Logistic回歸模型。屬性化模型不能處理非線性問(wèn)題，對(duì)變量各程度上信息散布不平衡的問(wèn)題也難以解決，而能否存在多重共線性決議著自變量能否被歸入回歸模型。針對(duì)屬性化回歸模型變量篩選存在多重共線性的處理方式之一便是運(yùn)用正則化技術(shù)中的嶺回歸、Lasso回歸[24]并且彈性網(wǎng)絡(luò)的方式。3.2　PPD的非屬性化模型

近年來(lái)非屬性化機(jī)械學(xué)習(xí)算法變成醫(yī)療預(yù)判行業(yè)研發(fā)的熱點(diǎn)方式。臨床醫(yī)學(xué)研發(fā)信息擁有量大、混同及隨機(jī)性的特征，借用傳統(tǒng)的統(tǒng)計(jì)方式預(yù)判重病的產(chǎn)生流程常存在絕對(duì)的限于性，非屬性化機(jī)械學(xué)習(xí)算法能夠依據(jù)信息型號(hào)全智能或半智能地尋找信息中的目的內(nèi)容，發(fā)掘有用常識(shí)，頻頻屢次總結(jié)法則，輔助研發(fā)者做出抉擇或預(yù)判。這類通過(guò)大信息發(fā)掘?qū)χ夭∵M(jìn)行預(yù)判的方式適合循證醫(yī)學(xué)和精確醫(yī)療的需要?，F(xiàn)在運(yùn)用非屬性化機(jī)械學(xué)習(xí)算法創(chuàng)建PPD預(yù)判模型的方式含蓋基于抉擇樹(shù)的算法、基于樸實(shí)貝葉斯的算法、基于追隨向量機(jī)的算法和基于人工神經(jīng)網(wǎng)絡(luò)的算法。3.2.1　基于抉擇樹(shù)的算法

抉擇樹(shù)[25]是一類簡(jiǎn)潔但全面應(yīng)用的分類器，因相似于過(guò)程圖的樹(shù)構(gòu)造、能夠模擬人類做出抉擇的流程而命名。建立抉擇樹(shù)能夠?qū)π碌男畔⑦M(jìn)行分類。隨機(jī)樹(shù)林（random forest，RF）[26]是專門(mén)為抉擇樹(shù)分類器設(shè)計(jì)而成的集成學(xué)習(xí)方式，含蓋多個(gè)抉擇樹(shù)，每棵"樹(shù)"的散布相近，其預(yù)判結(jié)果綜合了多個(gè)抉擇樹(shù)的分類結(jié)果，因而終極結(jié)果會(huì)愈加牢靠[27]。同時(shí)RF也能很好地解決信息的缺省值問(wèn)題，擁有很高的分類精度[28]，因而RF算法更遭到研發(fā)者的青睞。肖美好等[29]采取RF算法對(duì)406例妊婦根據(jù)能否產(chǎn)生PPD進(jìn)行抉擇分類，綜合人口學(xué)材料、生物-生理-社會(huì)等多個(gè)維度的牽連原因，根據(jù)變量首要性評(píng)分進(jìn)行排序，羅列了排在前10位的首要預(yù)判變量，且該模型預(yù)判確切率為80.10%。

除了RF算法外，梯度提高樹(shù)（gradient boosting decision tree，GBDT）算法也是一類基于抉擇樹(shù)的集成學(xué)習(xí)方式，該算法一樣由多棵抉擇樹(shù)構(gòu)成，但終極結(jié)果為一切抉擇樹(shù)預(yù)判論斷的積累，因而通過(guò)GBDT算法建立的模型更為高難。為了操控模型的高難水平，CHEN等[30]以GBDT為框架，對(duì)目的函數(shù)添加了正則化項(xiàng)，創(chuàng)建了極度梯度提高（XGBoost）算法。HOCHMAN等[31]依據(jù)以色列最大保健組織的電子健康記載信息庫(kù)，通過(guò)應(yīng)用XGBoost算法建立預(yù)判模型并評(píng)價(jià)臨盆后1年內(nèi)患PPD的危害，結(jié)果顯現(xiàn)：ROC曲線以下積（AUC）為0.712〔95%CI（0.690，0.733）〕，提醒該模型擁有中等程度的預(yù)判功能。運(yùn)用XGBoost算法能夠智能闡明自變量之間的交互功效，同時(shí)能夠通過(guò)解決每個(gè)抉擇樹(shù)分類的遺失信息評(píng)價(jià)不同子集的模型功能。通過(guò)XGBoost算法建立PPD預(yù)判模型、解析PPD預(yù)判原因的首要性并進(jìn)行排序能夠?qū)a(chǎn)婦根據(jù)不同的危害群體進(jìn)行分層，有助于進(jìn)行初期PPD的探測(cè)和干預(yù)。3.2.2　基于樸實(shí)貝葉斯的算法

樸實(shí)貝葉斯[32]發(fā)祥于古老數(shù)學(xué)理論，是一類安穩(wěn)、構(gòu)造簡(jiǎn)潔且非常高效的分類算法，其原理基于前提獨(dú)立性如果，即一切預(yù)判變量之間互相獨(dú)立，當(dāng)面臨高維度、多分類的信息集時(shí)，樸實(shí)貝葉斯可迅速對(duì)信息集進(jìn)行分類。JIMéNEZ-SERRANO等[33]應(yīng)用西班牙7所綜合醫(yī)院1 397例妊婦的產(chǎn)前材料成為信息集，選擇此中11個(gè)變量建立模型并用來(lái)預(yù)判臨盆后第1周能否產(chǎn)生PPD，結(jié)果在訓(xùn)練集中樸實(shí)貝葉斯模型實(shí)行了靈敏度、特異度和確切性之間的優(yōu)良平衡，AUC為0.75，展現(xiàn)了最好預(yù)判功能。樸實(shí)貝葉斯算法簡(jiǎn)潔，可以解決多分類任務(wù)，施行速率快且易于闡明，但樸實(shí)貝葉斯算法在變量散布不平衡時(shí)分類成效較差，因而應(yīng)用樸實(shí)貝葉斯算法前須要參考變量散布的平衡性以以免預(yù)判成效不佳問(wèn)題[34]。3.2.3　基于SVM的算法

SVM擁有強(qiáng)力的學(xué)習(xí)性能[35]，是機(jī)械學(xué)習(xí)中最常用的一類線性與非線性分類方式，其根本原理是借用恰當(dāng)?shù)暮撕瘮?shù)搜到1個(gè)超平面，對(duì)信息類型進(jìn)行分開(kāi)，使訓(xùn)練集的點(diǎn)與超平面之間存在最大也許的距離，以到達(dá)信息分類的目標(biāo)。ZHANG等[36]通過(guò)采集508例妊婦孕期的數(shù)據(jù)，分別采用兩類特點(diǎn)選取方式：顧問(wèn)函詢和Filter過(guò)濾法，開(kāi)發(fā)了基于SVM的PPD預(yù)判模型；結(jié)果顯現(xiàn)該預(yù)判模型篩選出的最首要的3個(gè)預(yù)判原因是生理順應(yīng)本領(lǐng)、孕早期煩悶和月收益程度。兩類特點(diǎn)選取方式在模型預(yù)判功能的有效性方面沒(méi)有顯著差別，但采取Filter過(guò)濾法進(jìn)行特點(diǎn)選取的SVM模型預(yù)判成效更好（靈敏度=0.69，特異度=0.83，AUC=0.78）。除了特點(diǎn)選取方式外，樣件量的大小也牽連著PPD預(yù)判模型的功能，而因?yàn)镾VM是一類基于構(gòu)造危害最小化原則的算法，因而當(dāng)樣件量較小時(shí)，采取SVM算法能夠以免過(guò)量擬合。此外之外，應(yīng)用SVM算法建立預(yù)判模型擁有很好的泛化本領(lǐng)[37]。3.2.4　基于人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是從數(shù)據(jù)解決角度解讀和抽象了人腦的神經(jīng)元網(wǎng)絡(luò)[38]，可創(chuàng)建簡(jiǎn)潔模型并按不同的連通方法構(gòu)成不同的網(wǎng)絡(luò)。多層感覺(jué)器（multilayer perceptron，MLP）是一類前饋人工神經(jīng)網(wǎng)絡(luò)模型[39]，其在單層神經(jīng)網(wǎng)絡(luò)的根基上引入了一到多個(gè)暗藏層，采用規(guī)范反向傳遞算法（backpropagation algorithm，BP）[40]訓(xùn)練多層感覺(jué)器，使多層神經(jīng)元協(xié)同工作，并從信息集中進(jìn)行學(xué)習(xí)。FATIMA等[41]提出了一類通過(guò)交際媒介平臺(tái)上客戶的文本數(shù)據(jù)預(yù)判PPD的新方式，應(yīng)用"話語(yǔ)開(kāi)拓與字詞計(jì)數(shù)"（linguistic inquiry and word count，LIWC）軟件提煉交際媒介上形成的話語(yǔ)特點(diǎn)，借用MLP算法并基于話語(yǔ)特點(diǎn)對(duì)通常性研討、PPD和非PPD內(nèi)容進(jìn)行分類及PPD人群預(yù)判，結(jié)果顯現(xiàn)，MLP預(yù)判模型的確切性為80.36%，精確性為75.11%。MLP可以基于填寫(xiě)特點(diǎn)集導(dǎo)出頂級(jí)特點(diǎn)，以及已然發(fā)掘該算法更應(yīng)用于從海量、高難的信息中篩選出有價(jià)值的數(shù)據(jù)[39]。4　PPD預(yù)判模型的較為4.1　基于機(jī)械學(xué)習(xí)算法的PPD預(yù)判模型的較為

SHIN等[42]通過(guò)選擇美國(guó)重病操控和防備核心PRAMS 2012—2013年的28 755例孕產(chǎn)婦的孕期信息，采取9種不同的機(jī)械學(xué)習(xí)算法建立PPD預(yù)判模型，含蓋RF、隨機(jī)梯度提高（gradient boosting model，GBM）、SVM、遞歸分開(kāi)與回歸樹(shù)（RPART）、樸實(shí)貝葉斯、k-NN、自順應(yīng)提高算法（adaptive boosting，AdaBoost算法）、Logistic回歸和ANN，并采取了10倍交叉驗(yàn)證進(jìn)行評(píng)價(jià)；結(jié)果顯現(xiàn)：9種預(yù)判模型AUC均大于0.5，呈現(xiàn)出優(yōu)良的預(yù)判成效，此中RF算法AUC很高，為0.884（靈敏度=0.732，特異度=0.865），其次是SVM，AUC為0.864（靈敏度=0.791，特異度=0.788）。ANDERSSON等[43]基于瑞典一項(xiàng)群體隊(duì)列研發(fā)中4 277例婦女的信息（含蓋人口學(xué)信息、臨床及生理丈量信息），通過(guò)機(jī)械學(xué)習(xí)算法創(chuàng)建PPD預(yù)判模型，模型含蓋：嶺回歸、Lasso回歸、GBM、散布式RF、極度隨機(jī)樹(shù)（XRT）、樸實(shí)貝葉斯和重疊組合模型（stacked ensembles models），并評(píng)價(jià)了不同機(jī)械學(xué)習(xí)算法預(yù)判模型的功能。所選機(jī)械學(xué)習(xí)算法的分類功能在確切性、陽(yáng)性預(yù)判值、AUC方面沒(méi)有顯著差別。但是，在靈敏度、特異度和陰性預(yù)判值方面差別比較顯著。XRT供應(yīng)了高精度、均衡的靈敏度和特異度的預(yù)判功能（確切性：73%，靈敏度：72%，特異度：75%，陰性預(yù)判值：33%，陽(yáng)性預(yù)判值：94%，AUC：81%）。通過(guò)XRT篩選出相對(duì)奉獻(xiàn)高過(guò)0.9的首要牽連原因?yàn)槿焉飼r(shí)期的煩悶和焦急。采取不同機(jī)械學(xué)習(xí)算法建立預(yù)判模型的選取是個(gè)高難流程，應(yīng)應(yīng)用統(tǒng)計(jì)軟件并通過(guò)功能指標(biāo)判定預(yù)判模型的預(yù)判確切度，同時(shí)也須要結(jié)合醫(yī)療專業(yè)常識(shí)和臨床實(shí)際狀況進(jìn)行判定，參考模型施行的多方面原因。4.2　PPD屬性化和非屬性化預(yù)判模型的較為

運(yùn)用屬性化和非屬性化機(jī)械學(xué)習(xí)算法建立PPD預(yù)判模型均可以有效預(yù)判產(chǎn)婦PPD產(chǎn)生危害，以及大一些預(yù)判模型的確切度很高，有利于醫(yī)護(hù)職員即時(shí)進(jìn)行醫(yī)療抉擇。傳統(tǒng)的屬性化模型含蓋線性回歸和邏輯回歸，可通過(guò)描繪結(jié)局指標(biāo)與1個(gè)或多個(gè)闡明性變量之間的聯(lián)系對(duì)預(yù)判結(jié)果進(jìn)行解析[44]。屬性化模型形態(tài)簡(jiǎn)潔、易于解讀，擁有很好的闡明性，通過(guò)預(yù)判原因的權(quán)重能夠看見(jiàn)不同預(yù)判原因?qū)PD的牽連水平。PPD屬性化預(yù)判模型以幾率的形態(tài)流出結(jié)果，能夠?qū)Σ煌吞?hào)的孕產(chǎn)婦進(jìn)行危害分層，有對(duì)于性地進(jìn)行輔助抉擇，因而更應(yīng)用于醫(yī)護(hù)職員臨床運(yùn)用，但應(yīng)用屬性化模型須要參考信息的散布及共線性問(wèn)題。

因?yàn)槿焉锲谥廉a(chǎn)后時(shí)間跨度較長(zhǎng)、PPD的牽連原因眾多、信息構(gòu)造高難，因而借用傳統(tǒng)的屬性化建模方式預(yù)判PPD的產(chǎn)生也許存在較大的限于性。這時(shí)，面臨變量的高難狀況，非屬性化預(yù)判模型更具優(yōu)勢(shì)。非屬性機(jī)械學(xué)習(xí)算法眾多，基于抉擇樹(shù)的算法是一類分類精度高、體現(xiàn)形態(tài)相對(duì)簡(jiǎn)潔的算法[45]，況且能夠用圖形展現(xiàn)，加大了臨床應(yīng)用性，但不能給出明確的公式，且因?yàn)閷?duì)信息的改變十分敏感，造成安穩(wěn)性相針對(duì)屬性化模型較差。另一類全面運(yùn)用的非屬性分類模型是樸實(shí)貝葉斯模型，其算法較為簡(jiǎn)潔，施行速率更快，可是須要計(jì)算先驗(yàn)幾率，假設(shè)變量之間存在關(guān)聯(lián)則其預(yù)判成效較差。若信息存在非線性問(wèn)題，可采取SVM算法，其算法相對(duì)高難，信息量大時(shí)訓(xùn)練時(shí)間較長(zhǎng)，因而SVM更合適對(duì)小樣件量信息供應(yīng)高效的計(jì)算，并以免了過(guò)量擬合，進(jìn)而構(gòu)成更好的預(yù)判結(jié)果[46]。相針對(duì)Logistic回歸、抉擇樹(shù)等算法，ANN是一類高難的非屬性化算法，往往須要大批的屬性，品種繁瑣且不易于闡明，難以得出醫(yī)學(xué)論斷來(lái)追隨臨床抉擇，但ANN針對(duì)大樣件臨床材料的調(diào)整性能有很強(qiáng)優(yōu)勢(shì)，診療的確切性及分類的確切度很高，擁有高速運(yùn)算的本領(lǐng)，能夠迅速尋找1個(gè)高難問(wèn)題的優(yōu)解除。另外，ANN還能以通過(guò)影像學(xué)材料篩選出有診療和辨別意思的特點(diǎn)，因而將來(lái)的研發(fā)能夠通過(guò)ANN聯(lián)合影像學(xué)特點(diǎn)對(duì)PPD進(jìn)行預(yù)判。

針對(duì)PPD預(yù)判模型的創(chuàng)建，要害是針對(duì)信息的解決、特點(diǎn)解析并且模型的選取和算法的運(yùn)用。因?yàn)檠邪l(fā)方式、評(píng)價(jià)規(guī)范有所不同，不同機(jī)械學(xué)習(xí)算法預(yù)判模型的預(yù)判成效有所差異，因而評(píng)價(jià)每個(gè)模型的成效并選取最好預(yù)判模型顯得至關(guān)首要。將來(lái)的研發(fā)應(yīng)基于研發(fā)隊(duì)列對(duì)終極模型進(jìn)行外部驗(yàn)證，并對(duì)模型的臨床有效性進(jìn)行解析。值得注重的是，將機(jī)械學(xué)習(xí)算法運(yùn)用于PPD預(yù)判的多數(shù)研發(fā)歸入的預(yù)判因子牽扯社會(huì)人口學(xué)及生理社會(huì)原因，但很少有研發(fā)聯(lián)合生物遺傳學(xué)原因進(jìn)行預(yù)判。因而，結(jié)合PPD生物-生理-社會(huì)3個(gè)維度的原因進(jìn)行模型建立至關(guān)首要。同時(shí)應(yīng)注重，應(yīng)用大信息集可減低預(yù)計(jì)方差，進(jìn)而供應(yīng)更好的預(yù)判功能，而運(yùn)用預(yù)判原因數(shù)目少且不變化預(yù)判功能的預(yù)判模型標(biāo)志著能夠加重采集數(shù)據(jù)的包袱，因此此類預(yù)判模型更較易施行和推行?？傊o隨數(shù)據(jù)科學(xué)技術(shù)不停成長(zhǎng)，信息不停改善，在將來(lái)的研發(fā)中能夠聯(lián)合生物-生理-社會(huì)3個(gè)維度的預(yù)判原因，應(yīng)用機(jī)械學(xué)習(xí)算法開(kāi)發(fā)PPD的綜合預(yù)判模型成為產(chǎn)后煩悶的精確預(yù)判工具。5　研發(fā)預(yù)測(cè)

現(xiàn)階段PPD預(yù)判模型的研發(fā)如火如荼，"二胎"及"三胎"政策布景下，高危孕產(chǎn)婦數(shù)目將不停增加，對(duì)屬性化、非屬性化PPD預(yù)判模型進(jìn)行分類與較為對(duì)選取適合的模型建立方式至關(guān)首要。值得注重的是，筆者在較為屬性化與非屬性化模型的流程中發(fā)掘，不管哪種模型，均有其對(duì)應(yīng)的應(yīng)用范疇，在選取適合的模型時(shí)也應(yīng)參考到模型的實(shí)用性。因而，倡議在將來(lái)研發(fā)中建立PPD預(yù)判模型時(shí)注重下列事項(xiàng)。

首先，預(yù)判變量的維度牽連著PPD預(yù)判模型的安穩(wěn)性與確切性。一方面，因?yàn)镻PD牽連原因高難多樣，歸入模型的預(yù)判原因參差不齊，模型擬合及篩選較優(yōu)模型存在差別，也許漏掉某類首要牽連原因，因而廣泛、多維度確認(rèn)歸入的預(yù)判因子至關(guān)首要。另一方面，采用高維度預(yù)判變量會(huì)造成模型過(guò)于高難、預(yù)判變量缺少代表性、實(shí)際運(yùn)用中難以獲得，將不利于有關(guān)預(yù)判模型在孕產(chǎn)婦中的推行應(yīng)用。因而，進(jìn)行多維預(yù)判變量的選取時(shí)應(yīng)參考變量能否存在嚴(yán)重的數(shù)據(jù)堆疊，采用適合的方式（如正則化技術(shù)）進(jìn)行降維。參考到妊娠期至產(chǎn)后的時(shí)間跨度較長(zhǎng)，還應(yīng)動(dòng)態(tài)監(jiān)測(cè)孕產(chǎn)婦妊娠期至產(chǎn)后的社會(huì)場(chǎng)景、生理及有關(guān)生物學(xué)預(yù)判原因，設(shè)置更多獲得孕產(chǎn)婦材料的丈量時(shí)間點(diǎn)，深入討論預(yù)判變量之間的功效體制，以期歸入最好的預(yù)判變量。

其次，樣件量的確切預(yù)計(jì)是PPD預(yù)判模型牢靠性和可反復(fù)性的首要確保。不管應(yīng)用哪種模型，樣件量不夠時(shí)均較易顯現(xiàn)過(guò)量擬合的狀況，即基于小樣件量建立的PPD預(yù)判模型難以到更大的人群中進(jìn)行驗(yàn)證。針對(duì)PPD預(yù)判模型的開(kāi)發(fā)，選擇大樣件、多核心的信息有利于提升PPD預(yù)判模型的預(yù)判成效及泛化本領(lǐng)，但也應(yīng)參考到研發(fā)效益與本錢(qián)等現(xiàn)實(shí)問(wèn)題，因而樣件量確實(shí)定應(yīng)同時(shí)兼?zhèn)溆行约翱尚行?。在樣件量?jì)算方面，RILEY等[47]為怎樣計(jì)算臨床預(yù)判模型所需的樣件量供應(yīng)了方式學(xué)引導(dǎo)，且不倡議進(jìn)行信息拆分，而應(yīng)采取重采樣的方式進(jìn)行內(nèi)部驗(yàn)證。除了計(jì)算樣件量，研發(fā)歸入的孕產(chǎn)婦的代表性也需引發(fā)看重，而孕產(chǎn)婦群體特點(diǎn)誤差對(duì)PPD預(yù)判模型的牽連有待進(jìn)一步研發(fā)。

最終，模型驗(yàn)證是施行預(yù)判的必須環(huán)節(jié)，即對(duì)模型的辨別度、校準(zhǔn)度進(jìn)行評(píng)估。完好的預(yù)判模型應(yīng)含蓋對(duì)模型的內(nèi)部驗(yàn)證與外部驗(yàn)證，而現(xiàn)在的大多數(shù)PPD預(yù)判模型研發(fā)僅通過(guò)隨機(jī)拆分信息進(jìn)行內(nèi)部驗(yàn)證，這類方式減小了開(kāi)發(fā)隊(duì)列的樣件量，也許減低模型的功能，顯現(xiàn)很高的變異度[48]。更好的內(nèi)部驗(yàn)證方式為k-倍折疊交叉驗(yàn)證并且Bootstrap法，但這兩類方式在許多PPD預(yù)判模型中常被忽視。同時(shí)，內(nèi)部驗(yàn)證自身并非能確保結(jié)果的可推行性，因而還須要大樣件量的外部驗(yàn)證，以更好地驗(yàn)證模型的功能[49]。

綜上所述，選取適合的模型建立方式至關(guān)首要。屬性化模型易于闡明，偏重于對(duì)線性變量的預(yù)判，而非屬性化模型在非線性變量預(yù)判方面擁有更好的優(yōu)勢(shì)，針對(duì)文本及圖片信息，運(yùn)用深度學(xué)習(xí)算法進(jìn)行解析也許是更好的選取。因而，模型的選取應(yīng)結(jié)合各類算法的性能及特征，參考研發(fā)目標(biāo)、變量型號(hào)、維度、樣件量、預(yù)判原因與結(jié)局指標(biāo)之間聯(lián)系的高難水平等。在PPD預(yù)判方面，研發(fā)者更應(yīng)關(guān)心孕產(chǎn)婦PPD產(chǎn)生危害預(yù)判模型，注重模型的泛化本領(lǐng)，在參考模型確切度的同時(shí)，也應(yīng)依據(jù)臨床的應(yīng)用性、實(shí)際運(yùn)用的便利性選取適合的模型，以免一味謀求統(tǒng)計(jì)學(xué)的優(yōu)化，采取了沒(méi)有必須的高難模型。

本文無(wú)利益矛盾。

考慮文獻(xiàn) 略

本文來(lái)歷：王永劍, 齊偉靜, 王翼鵬, 等. 產(chǎn)后煩悶預(yù)判模型的分類與較為[J]. 華夏全科醫(yī)學(xué), 2022, 25(24): 3036-3042.（點(diǎn)擊文題查閱原文）