类型a：本文是一项由Johannes Lieslehto等人联合进行的关于首次精神病发作（First-Episode Psychosis, FEP）患者死亡风险预测的原始研究。本研究发表于JAMA Network Open，旨在通过机器学习（Machine Learning, ML）模型预测FEP患者的死亡风险，为个性化干预方案提供依据。

学术背景

精神疾病患者的死亡风险一直是精神病学领域关注的重要问题，首次精神病发作的患者其死亡风险相较普通人群更为显著。现有研究表明，这类患者由于自杀行为、受伤和中毒的风险较高，因此需要有效的死亡风险预测工具来指导治疗选择。然而，目前针对FEP患者的死亡风险评估工具尚属空白。本研究旨在开发并验证一种基于机器学习的模型来预测FEP患者的死亡风险，并探索这种风险预测能否指导药物治疗选择。

研究方法

研究结合使用了瑞典和芬兰的全国性队列数据。瑞典队列数据涵盖了2006年7月1日至2021年12月31日期间的患者信息，用于模型的开发和内部验证。芬兰队列数据则来自1998年1月1日至2017年12月31日，用于模型的外部验证。在瑞典数据中，共有24,052名参与者，其中20,000名作为模型的训练样本，4,052名用于模型验证。在芬兰数据中，包含1,490名参与者用于验证。

研究的方法包括使用ML算法分析51个全国性注册变量，这些变量涵盖了人口统计学、临床和工作相关历史等信息。研究采用极端梯度提升（XGBoost）算法构建模型，并通过受试者特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUROC）来评估模型性能。研究进一步识别出5个最重要的变量，并在发现样本中对模型进行了重新训练。

主要结果

ML模型达到了一定的预测准确性：在瑞典样本中的AUROC为0.71，而在芬兰样本中的AUROC为0.67。研究发现对于预测死亡风险较高的人群，长效可注射抗精神病药物和情绪稳定剂与降低死亡风险有关；而对于预测存活的人群，仅有口服阿立哌唑和利培酮与降低死亡风险相关。其中，年龄、首次住院时长、男性、物质使用合并症和先前躯体住院史是最关键的预测因子。

结论与研究意义

这项研究的结果表明，如果这种模型能够被进一步验证，它可能会帮助开发个性化干预措施来减轻FEP患者的死亡风险。除了在预防医学领域的潜在应用价值，研究还凸显了机器学习在精神病学中的应用前景。此外，本研究为寻求更有效的FEP患者死亡风险评估提供了新的视角。

研究亮点

本研究的亮点在于模型的简洁性和适用性，使用少量易于获取的变量实现快速、经济有效的评估。这种方法的创新性在于首次利用机器学习技术构建FEP患者的死亡风险预测模型，并识别特定药物治疗对不同风险人群的不同影响。

其他有价值的内容

研究中还开发了在线模型“Mortality Risk Assessment Calculator for Early First Episode Psychosis (MIRACLE-FEP)”用于评估FEP患者的死亡风险，并探讨了各类药物治疗在不同ML模型预测风险组中的影响。同时，研究在强调机器学习模型在临床应用中的潜力的同时，对未来研究提出了更多探索性建议，包括需进行前瞻性试验以验证这种方法的临床有效性。

本研究在探索精神病学领域机器学习应用的道路上迈出了坚实的一步，为进一步研究和实际应用提供了重要的基础数据和模型框架。