本页面由土耳其语自动翻译。 阅读原文

本页是借助人工智能编写的土耳其语摘要，介绍在第26届世界精神病学大会上报告的研究。研究归报告作者所有；引用时请查阅原始来源。

EV0105

急性精神科病房住院患者针对医务人员的暴力行为：巴斯克地区的一项试点研究

VIOLENCE AGAINST HEALTHCARE PROFESSIONALS IN ACUTE PSYCHIATRIC INPATIENTS: A PILOT STUDY IN THE BASQUE COUNTRY

在暴力事件后入院的患者中，14.8%有针对医务人员的攻击行为记录；人格障碍合并物质滥用者构成风险最高的亚组，而基于常规收集变量建立的机器学习模型预测能力不足。

本研究的主要目的是分析对精神卫生工作人员实施暴力的精神科住院患者的临床及诊断特征；次要目的是评估共病的作用，并检验机器学习（machine learning，ML）模型在预测针对工作人员的攻击行为方面的适用性。这项回顾性研究使用西班牙Donostia大学医院急性精神科病房常规收集的变量，纳入了108名因对人或物实施暴力后入院的患者（男性占72%，平均年龄38岁）。14.8%的患者有针对医务人员的攻击行为记录，精神分裂症患者中的比例较低，且未发现明显的性别差异。在对工作人员表现出攻击行为的患者中，各诊断的比例分别为：人格障碍23.6%、双相障碍18.1%、药物或物质相关问题16.4%、妄想障碍10.0%、精神分裂症8.2%。人格障碍合并物质滥用者构成风险最高的亚组，该共病组合的比值比（odds ratio，OR）为5.8，且该组中犯罪史和反社会特征更为常见；人格障碍组中，60%为青年成人，70%有犯罪记录，90%有既往暴力史，30%有针对工作人员的攻击行为。预测针对医务人员的攻击行为明显比预测一般暴力行为更困难，表现最佳的决策树模型的曲线下面积（AUC）仅为0.61（敏感度25%，特异度96%）；其他模型的AUC分别为：K近邻（KNN）0.60、梯度提升机（GBM）0.56、随机森林0.53、逻辑回归0.51，而袋装法（bagging）、线性支持向量机（SVM）和径向基核支持向量机均为0.50，接近随机水平。作者强调，暴力发生率看似较低可能反映了漏报问题，要实现准确预测，需要使用经过效度验证的评估工具，而非仅依赖常规变量。

全部 WCP 2026 摘要