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。

数字精神病学与精准精神病学

Digital and precision psychiatry

要将机器学习模型应用于精神科临床，就必须在模型中纳入生物学异质性，并在独立样本中证实其外部效度。

本次报告通过两项研究，探讨了机器学习在精准精神病学中的应用潜力，以及限制其临床转化的两大问题：对生物学性别等重要变量的建模不足，以及模型无法泛化至独立人群。精准精神病学旨在开发兼顾精神障碍生物学与表型异质性的个体化临床工具。第一项研究基于PRONIA队列中的521名健康对照者，利用神经解剖学数据和支持向量机（support vector machines，SVM）构建了生物学性别分类模型，并将其应用于994名处于精神障碍早期谱系的个体，包括精神病临床高风险（clinical high risk，CHR）、近期起病的精神病（recent onset psychosis，ROP）和近期起病的抑郁症（recent onset depression，ROD）人群。该模型能够准确区分健康对照者的生物学性别（平衡准确率，balanced accuracy，BAC = 85.7%；p<0.001），但在CHR（85.5%）、ROD（79.3%）和ROP（75.8%）人群中的表现依次下降。这一发现提示，在精神病理的早期阶段，正常的神经解剖学性别特征可能逐渐受到破坏。第二项研究在EUFEST（n = 338）和PSYSCAN（n = 226）队列中评估了用于预测首发精神病后12个月功能结局的SVM模型。模型在各自队列内部表现良好（BAC = 65%–66%），但在独立队列中测试时，表现明显下降（BAC = 50%–56%）；合并数据集后，预测表现有所改善（留一中心法，leave site out，BAC = 72%）。研究结果强调，要将机器学习研究成果转化为日常临床实践，就必须在模型中纳入生物学异质性，并通过外部验证（external validation）确保模型具备稳健的泛化能力。

全部 WCP 2026 摘要