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。

SO177

利用生理数据和人工智能模型预测与早期识别痴呆患者的激越和攻击行为

PREDICTION AND EARLY IDENTIFICATION OF AGITATION AND AGGRESSION IN DEMENTIA USING PHYSIOLOGICAL DATA AND ARTIFICIAL INTELLIGENCE MODELS

利用可穿戴设备获取的多模态生理数据，可在痴呆患者激越和攻击行为发作前10分钟进行预测，且准确性具有临床意义。

本研究旨在开发并比较评估深度学习模型，以在痴呆患者精神运动性激越和攻击行为（psychomotor agitation and aggression in dementia，PAAD）发作前10分钟识别其风险。数据来自既往发表的研究，包括使用Empatica E4可穿戴设备在140个监测日内从17名痴呆患者采集的加速度计、血容量脉搏波、皮肤电活动和皮肤温度信号，数据集中包含182次经临床确认的激越事件。研究提取了16项具有临床意义的特征，并在考虑类别不平衡、时间偏移及面向临床的性能指标的基础上，比较了三种基于Transformer的模型——多模态临床Transformer（Multimodal Clinical Transformer）、敏感度优化临床Transformer（Sensitivity Optimised Clinical Transformer）和自适应集成模型（Adaptive Ensemble）——以及线性复杂度生理状态空间模型（Linear Complexity Physiological State Space Model，LC-PSSM）。尽管数据集存在严重的类别不平衡，LC-PSSM仍在多个维度上表现最佳：受试者工作特征曲线下面积（AUC-ROC）为0.7558，精确率–召回率曲线下面积（AUC-PR）为0.5312，临床评分为0.7062，同时保持了较高的计算效率。摘要报告，该模型的敏感度（sensitivity）为65.7%，特异度（specificity）为70.6%；敏感度优化Transformer的敏感度为90.4%，特异度则处于中等水平；集成（ensemble）建模取得了较为均衡的性能。海报图中显示，Transformer模型的ROC AUC为0.724，PR AUC为0.471（基线值为0.250）。综上，连续生理数据使提前识别PAAD发作成为可能，并为痴呆照护从被动应对转向预防性的实时干预奠定了基础。作者指出，在投入临床应用之前，仍需在规模更大的多中心数据集中进行验证，并将模型整合到临床工作流程中。

全部 WCP 2026 摘要