BP综述：利用电子健康记录促进精准精神病学的发展

摘要：使用临床预测模型进行个体化风险评估可促进精准精神病学的实施。作为具有临床代表性的大型患者样本的数据来源，电子健康记录（EHR）提供了一个开发和验证临床预测模型的平台，并有可能将其应用于常规临床护理中。本综述描述了将精准精神病学应用于电子病历数据的有前途的用例，并考虑了它们在区分和校准（预测风险估计值与观察结果的对应程度）方面的性能，以及它们潜在的临床效用。我们回顾了4个经过外部验证的临床预测模型，这些模型旨在预测精神病发病、精神病复发、心脏代谢发病率和自杀风险。然后，我们讨论了在临床上实施这些模型的前景，以及将来自证据综述、标准化心理测量评估和生物数据的数据整合到电子病历中的潜在附加价值。临床预测模型可以以一种创新的方式利用日常收集的电子病历数据，这是一个为真实世界的临床决策提供信息的独特机会。结合其他来源的数据或利用研究信息增强电子病历数据，可提高我们改善临床预测模型性能的能力。

1. 引言

精准精神病学是一种数据驱动的方法，旨在支持提供更加个性化的心理健康护理。临床预测模型可以产生个人层面的风险估计值，从而促进这种方法的发展。这些模型为肿瘤学、心脏病学和初级保健的临床决策提供了依据，从而提高了护理的效果和效率，改善了治疗效果。

在精准精神病学范例中，电子健康记录（EHR）是推进精神病学临床预测模型的关键，因为它们提供了一个平台，可利用常规收集的真实世界临床数据大规模开发、验证和实施模型。将电子病历数据用于临床预测模型有其优势，但也有其局限性（反映现有偏差；缺乏标准化；特异性、不公平访问；数据泄漏风险）。

在讨论临床影响之前，需要考虑有关性能的几个要点。我们需要的临床预测模型不仅要经过内部验证，还要经过外部验证。良好的外部验证结果表明，该模型在新环境下的新数据中表现良好，但目前该模型表现不佳。对临床预测模型进行评估以了解其对实际护理的潜在影响非常重要。在评估临床预测模型时，鉴别、校准和临床实用性是主要考虑因素。因此，一个好的临床预测模型可以区分有相关结果和无相关结果的个体，产生的风险估计值与观察到的风险有很好的一致性，并在外部验证中显示出优于黄金标准或其他方法的潜在净效益。

实施利用电子病历的临床预测模型是利用更广泛的数据来源改进研究和医疗保健的务实举措。本文概述了 4 个不同的用例，选择这些用例是为了最好地说明基于电子病历的严重精神障碍临床预测模型在护理路径不同步骤中的一系列潜在作用。这些用例在外部验证中表现良好，似乎适合在现有临床环境中实施。它们分别涉及用于识别有精神病风险的个体、评估从早期干预服务机构出院后的住院风险、评估首次精神病发作（FEP）后的心脏代谢风险以及筛查严重精神障碍中的自杀风险的临床预测模型。

2. 案例1：识别有精神病风险的人

2.1 问题

过去 25 年来，这种方法一直是通过评估处于精神病临床高风险（CHR-P）的青少年和年轻成人来实施的。然而，这些人可能很难识别和参与。因此，即使在临床早期检测服务资源充足的情况下，也只有少数罹患 FEP 的患者曾接受过这些专业服务。事实上，FEP 患者最初更有可能是由普通的二级精神卫生团队和急诊科接诊的。这就提供了一个确定的机会，因为与其他精神健康团队联系过的人可能拥有包含人口统计学和临床信息的电子健康记录。因此，筛查电子健康记录提供了一种方法，可以识别出那些有可能患上前列腺增生症，但却因其他看似问题而到精神健康服务机构就诊的人，他们可能会从 CHR-P 服务机构提供的更专业的预防性护理中受益。

2.2 方法

南伦敦和莫兹利 NHS 基金会利用电子病历开发了一个跨诊断的精神病风险计算器，用于识别在普通二级精神健康服务机构就诊的患者中精神病风险增加的个体。最初的模型是使用 Cox 比例危险模型建立的，包括 5 个基于文献的预测因子（年龄、性别、年龄与性别的交互作用、种族和 ICD-10 诊断），用于估计 6 年内罹患精神病的风险。在外部验证数据集中测得的 Harrell's C = 0.79 。这表明，如果从人群中随机抽取一个病例（患精神病的人）和一个对照（未患精神病的人），病例有 79% 的几率获得较高的风险评分。误差极小，只有轻微的风险低估，尤其是在观察到的风险水平较低时。风险计算器显示出良好的临床实用性，与全部治疗或不治疗的默认设置相比，需要检测的人数在 1 到 99 之间时可获得净收益。这表明，如果错过感兴趣的结果比不必要的干预造成的危害要大同样多或多达 99 倍，那么使用该模型就会带来临床益处。

在英国和美国的其他站点的电子病历数据集的进一步外部验证中，跨诊断风险计算器保持了判别性能。除美国外部验证外，没有其他重大校准问题。这一外部验证结果表明，该模型具有可移植性，在重新校准后可能会在其开发环境之外的新环境中表现良好，这是实施临床预测模型的一个重要考虑因素。

跨诊断风险计算器是精神病学中第一个测试其前瞻性使用可行性的风险预测模型。最初的体外试验阶段用于克服实施障碍，评估模型的可接受性，并将风险计算器集成到当地的电子病历系统中。之后，在一年的时间里，使用该模型对首次接受非器质性、非精神病性 ICD-10 精神障碍诊断的每个人进行筛查。如果估计某人在 2 年内罹患精神病的风险为 5%，就会联系其临床医生，并建议进行 CHR-P 评估。临床医生的可接受性很高，以响应风险计算器建议的临床医生比例来衡量。

此后，该跨诊断风险计算器进行了改进，增加了 14 个症状和药物使用预测因子，这些预测因子是利用自然语言处理（NLP）算法从自由文本临床笔记和信件中自动提取的。在外部验证中，其辨别能力提高到 C = 0.85。还需要进一步的工作来测试这一改进模型在其他环境中的表现。我们还对模型进行了其他改进，以便在记录新的症状和药物使用临床信息时实时动态更新风险估计值。这项工作最初是通过递归神经网络完成的。

2.3 临床实施的预期效益和尚存挑战

可访问电子病历的现有早期检测服务机构可利用这一临床预测模型来提高其检测 CHR-P 患者的能力。为慢性阻塞性肺病患者提供黄金标准的干预措施，每人可节省 626英镑，而通过改进检测策略则有可能提高这一数字。早期检测服务往往资源不足，而数字工具可以提供一种廉价、非侵入性的方式，来识别那些已经被其他心理健康团队接诊或可能正在等待治疗的潜在合格客户。有效的实施有赖于地方治理途径、额外评估的适当资源以及警报和转介途径的简化。动态模型的实施需要最新风险估计的实际使用指南。该模型的基本版本可在 http://psychosis-risk.net 免费在线获取，其作为数字平台一部分的用途在此展示。

3. 案例2：评估精神病早期干预服务出院后的住院风险

3.1 问题

精神病早期干预（EIP）服务通常提供 2 到 3 年的治疗。然后，临床医生可能会决定让患者出院，转到基层医疗机构或普通精神健康团队。在出院后的 2 年中，有三分之一的出院患者会被转介到普通精神健康小组，12% 的患者会住院治疗。在同一时期，直接转到普通精神健康团队的患者中有 35% 住院治疗。临床医生和精神病患者都对完成 EIP 治疗后的结果的不可预测性表示担忧。

3.2 方法

我们开发了一个临床预测模型，并经过外部验证，用于预测 EIP 服务出院后 12 个月内入住精神病院的情况。主要结果是出院后 12 个月内的住院情况。该模型采用逻辑回归分析法建立，其中包括 8 项基于文献的预测因素（出院时的年龄、性别、种族、社会贫困程度、出院前的诊断、接受 EIP 治疗的时间、出院时曾入住精神病院的次数以及曾被诊断为药物使用障碍）。

通过引导法对该模型进行了内部验证，结果判别率为 C = 0.76。在外部验证中，辨别率略有下降（C = 0.70），校准结果与开发数据集相似，低估了较低观察风险（5%-10%）的风险，高估了中低观察风险范围（10%-20%）的风险。这表明该模型可能具有通用性，至少适用于英格兰的其他 EIP 服务，尽管由于入院事件数量有限和衍生数据集样本量较小，该模型可能略微拟合过度。决策曲线分析表明，在需要检测的人数为 2 到 5 人的范围内，使用预测模型比全部治疗、不治疗和临床医生酌情处理更有净效益。

3.3 临床实施的预期效益和尚存挑战

虽然在临床上实施这一模式的可行性还有待评估，但通过提供对复发风险水平的估计，可以为决定一个人的后续管理是否可能需要心理健康团队而不是初级保健管理提供依据。然后，可以对风险最大的人进行分层，让他们接受精神健康服务机构更深入的跟踪服务，而风险较低的人则可以在初级保健机构接受监测，从而更好地利用资源。EIP 服务通过避免住院治疗，每人可节省 4075 英镑，通过使用这种模式，这种节省有可能得到扩大。如上所述，在新的环境中实施可能具有挑战性；样本量和事件数量相对较少，这意味着模型的性能和稳定性可能并不理想。EIP 服务机构之间的合作可能会完善该模型，以便将来实施。此外，由于服务配置的差异，该模型可能无法推广到国际环境中。

4. 案例3：评估 FEP 中的心脏代谢风险

4.1 问题

2 型糖尿病和心血管疾病等心脏代谢疾病在精神病患者中的发病率很高，与普通人群相比，他们的预期寿命缩短了 10 到 15 年。精神病的平均发病年龄为 20.5 岁。到 40 多岁时，多达15%的精神病患者已经死亡，其中大部分是由于合并躯体疾病所致。代谢综合征是一组特征，包括葡萄糖-胰岛素平衡改变、肥胖和高血压。代谢综合征在患有精神病的年轻人中同样非常普遍，其特征至少在精神病发病时就已出现，并因抗精神病药物而加剧。现有的大多数预测不良心脏代谢结果的临床预测模型最初都是针对普通人群开发的，而普通人群的心脏代谢功能障碍通常出现在中老年时期。然而，由于精神病患者出现心脏代谢功能障碍的年龄要早得多，因此现有的基于普通人群的模型对精神病患者心脏代谢风险的预测严重不足。

4.2 方法

我们开发了精神病代谢风险计算器（PsyMetRiC），利用从伯明翰和剑桥郡/彼得伯勒 EIP 服务机构收集的 FEP 患者临床数据来估算 6 年内罹患代谢综合征的风险。该模型采用了惩罚性逻辑回归分析，包括 9 个基于文献的预测因子。在外部验证中，该模型表现良好，在省略了需要血液检测结果的预测因子的部分模型中也有类似表现。

随后在瑞士和西班牙进行的外部验证中，这种高辨别性能得以保持，突出了国际通用性的潜力。有证据表明，在预测概率较高的情况下，存在校准过高（瑞士）和校准过低（西班牙）的情况。对所有验证进行的决策曲线分析表明，通过使用 PsyMetRiC，可额外检测出 30% 至 46% 的代谢综合征病例。

4.3 临床实施的预期效益和尚存挑战

EIP服务机构可以利用 PsyMetRiC 来识别那些因精神障碍及其治疗而特别容易患上心脏代谢疾病的人。目前，精神障碍患者每年的躯体发病成本约为每人 2413 英镑，占英国国家医疗服务体系（NHS）在精神障碍上人均花费总额的一半以上。因此，使用 PsyMetRiC 可以大大降低治疗精神障碍的相关费用。使用 NLP 从临床笔记中获取预测数据（如吸烟状况）可能有助于实现筛查程序的自动化。旨在最大限度降低身体发病率的临床措施，如针对吸烟、饮酒、饮食和运动的干预措施，以及选择与代谢副作用关系不大的药物，都可以优先提供给这一亚群。更大的数据集可以通过增加预测因子（如饮食和其他生活方式行为）、完善现有预测因子（如更精细的种族代表性）和/或开发更复杂的建模策略（如考虑治疗早期的抗精神病药物转换）来提高 PsyMetRiC 的性能。PsyMetRiC是一款免费的网络工具，可在https:// psymetric.shinyapps.io/psymetric上下载。

5. 案例4：筛查严重精神障碍患者的自杀风险

5.1 问题

严重精神障碍患者的自杀风险很高，精神分裂症或双相情感障碍患者的自杀风险比普通人群高出约 17-20 倍。因此，准确评估自杀风险是常规临床护理的重要组成部分。此类评估可作为入院时初步评估的重要组成部分，识别潜在的可改变因素，并为对高危患者进行更深入的干预提供指导。尽管如此，目前还没有针对严重精神障碍患者的特定临床预测模型。

5.2 方法

牛津精神疾病与自杀模型（OxMIS）是利用链接的瑞典登记和电子病历数据开发的，用于估算精神分裂症谱系或躁郁症患者1 年的自杀风险。该方法使用了多种社会人口学和临床预测因素，包括男性性别、年龄、既往暴力犯罪经历、既往吸毒经历、既往酗酒经历、既往自残经历、教育程度、父母吸毒或酗酒经历、父母自杀经历、近期抗精神病治疗经历、近期抗抑郁治疗经历、当前住院状态、首次住院时间7 天、以前发病次数 .7、领取补助金、父母精神科住院以及合并抑郁症。在瑞典和芬兰进行的两次外部验证都证明了其识别性能。校准通常是适当的，但有证据表明，预测概率在 5%以下时，风险被高估了。5%，这只适用于很小一部分样本（1.3%）。不过，通过将 5%设定为与筛查工具沟通的最大可能风险水平，这种情况得到了缓解。

一项涉及西班牙（巴塞罗那和塞维利亚）和中国（长沙）38 名临床医生的研究探讨了该模型的临床可行性。93%的临床医生表示，该模型作为自杀风险评估或治疗计划的一部分是实用的，89%的临床医生表示他们将来会考虑使用该模型。半数临床医生认为 OxMIS 能准确反映自杀风险。不过，这项研究没有记录实际的自杀数据，因此无法将这一估计值与真实发生率进行比较，预计会出现乐观偏差。最近的一项系统综述报告称，非结构化临床方法对未来自杀行为的敏感度为 31%，这意味着存在大量假阴性。OxMIS 的灵敏度较高，分别为 55% 和 59%，外部验证的假阴性率为 0.5%。限制假阴性可确保所有患者都能得到所需的相关护理。

据估计，与仅进行临床评估相比，使用 OxMIS 可为每位接受筛查的重性精神病患者节省 250 至 599 英镑的费用，而通过特别排除假阴性结果，每人可节省 662 英镑。使用 NLP 自动检索预测因子可进一步节省成本，这减少了从临床笔记中手动输入预测因子数据的需要，而且是可行的。

5.3 临床实施的预期效益和尚存挑战

OxMIS可作为临床自杀风险评估的一部分。它对首次出现精神病的患者尤其有用，因为这个阶段的自杀风险特别高。这有助于及早识别自杀风险，强调安全规划和相应的临床管理，以最大限度地降低脆弱亚群的风险，并通过排除低风险个体来指导服务资源的分配。它还可以为与患者及其家人和/或护理人员透明地讨论自杀风险提供机会。制定一个实用的 OxMIS 评分解释框架需要临床医生解释概率评分，就像他们解释 QRISK 和 Framingham 评分一样，用于解释心血管风险和新诊断癌症患者的 5 年存活率。它还需要与其他预防措施明确挂钩，这将取决于有效性和服务能力。最后，需要避免采用核对表的方式进行风险评估，而应将 OxMIS 作为一系列措施的一部分，以加强临床决策。OxMIS 可作为网络工具在 http://oxrisk.com/ oxmis 上免费获取。

6. 讨论

这四个用例说明了电子病历数据如何促进精准精神病学方法。虽然我们的案例所涉及的人群和预测的结果各不相同，但它们都表现出了良好的辨别和校准性能，并通过外部验证证明了其潜在的可移植性，同时也显示出了潜在的临床实用性。

虽然在评估一个模型的潜在效用时，其预测性能是一个重要指标，但一个在个体水平上性能不理想的模型，在群体水平上仍可能比标准治疗带来净收益，这取决于临床情景的性质。例如，一种从对初始抗精神病药物治疗无反应的患者中选择氯氮平治疗的算法，其个体水平表现相对较低，但与群体水平上的常规治疗相比，仍能为每人多带来 0.10 个质量调整生命年，并节省 7363 英镑。这种模型可以在实施后继续完善和改进，但如果表现太差，就会削弱临床医生的信心，阻碍有效实施。因此，在考虑将模型用于临床时，除了鉴别和校准外，临床实用性的证据也至关重要。

将预测模型应用到电子病历数据中还可以促进前瞻性研究和临床试验的招募工作，因为这样可以预先筛选出一定规模的参与者，并识别出可能从试验干预中获得更大益处的个体。例如，要评估对 CHR-P 患者的干预是否能降低转为精神病的风险，所招募的样本必须随后产生一个发展为精神病的参与者亚群，该亚群的规模必须足以检测出效果。使用基于电子病历的临床预测模型来识别有更高转归风险的慢性阻塞性肺病患者，可以招募到更多有精神病风险的样本，从而减少所需的样本量。电子病历数据还有助于减轻参与者退出前瞻性研究或临床试验的影响。如果参试者无法再接受后续评估，但如果他们一直与临床服务机构保持联系，则仍可从其电子病历中获取有关其临床结果的信息。为此，需要将假匿名试验参与者 ID 与当地或国家电子病历 ID 相连接。

确保使用临床预测模型为弱势亚人群提供公平的医疗服务是一个重要的考虑因素，尤其是因为电子病历数据反映了医疗系统固有的潜在偏见。弱势亚人群（如少数民族、女同性恋者、男同性恋者、双性恋者和变性者）在训练样本中的代表性可能不足，这意味着这些临床预测模型对这些群体的预测可能不够准确，并有可能加深医疗保健中现有的偏见和不公平现象。同样，模型性能的可推广性也需要在不同环境中进行测试。精神病学很少进行外部验证研究，而国际外部验证研究则更为罕见，在全球南部进行的外部验证研究更是少之又少。这些模型都没有在全球南部进行过外部验证，尽管相关工作正在进行中。

使用电子病历实施精准精神病学仍存在一些障碍。首先，电子病历系统不具备互操作性。一项临床服务的数据往往与另一项服务的数据具有不同的结构和编码，尤其是在电子病历提供者不同的情况下。拥有国家化医疗系统的国家在考虑大规模实施临床预测模型时具有优势，因为其电子病历的结构和编码更有可能在不同地点相似。例如，在英国，电子病历数据可覆盖 96% 的人口用于研究。此外，研究措施，如症状严重程度或标准化结果措施，并没有持续纳入电子病历，这限制了可用作模型预测因子的数据。目前有一些项目正在寻求通过共同设计、整合的电子病历和临床决策支持系统来解决这些问题。其次，信息管理和网络安全法规也很重要，但它们可能很复杂，而且不同地点的法规通常也不尽相同。即使在欧洲，虽然普遍使用《通用数据保护条例》，但各国对该条例的解释也不尽相同。因此，有必要在现场提供本地支持，以倡导实施。第三，虽然 NLP 模型可以提高自动筛查的性能或可行性，但即使是最先进的模型，其准确性也不是百分之百。这可能会导致不同中心对同一概念的 NLP 算法不一致，从而给验证研究增加噪音。此外，还存在语言偏差，因为 NLP 算法针对特定语言，需要额外的工作才能进行国际验证和研究。

7. 未来方向

临床预测模型可以找到使用电子病历数据的创新方法。结合其他来源的数据（如荟萃分析）或利用研究信息（临床和生物标记物数据）增强电子病历数据是两种可提高临床预测模型性能的方法。

例如，PETRUSHKA（结合个人选择、风险和大数据对单相抑郁症进行个性化抗抑郁治疗）旨在开发一个模型，预测各种抗抑郁药物的疗效、可接受性和耐受性。旨在开发一个模型来预测单个抗抑郁药的疗效、可接受性和耐受性，该模型将患者对副作用的偏好与来自先前发表的网络荟萃分析中的随机对照试验和英国初级保健的电子病历中的患者个人数据相结合，并采用了一种 metalearner 方法。

同样，"基线生物标志物检查 "研究旨在将精神病患者的标准化临床和认知评估以及影像和外周血测量纳入电子病历。用额外的测量方法来补充现有的临床数据，可以扩大电子病历数据的使用范围，从而改善对临床结果的预测，例如在基于电子病历的肿瘤预测模型中使用基因数据。

8. 结论

电子病历提供了一个便捷的平台，可以提供开发和验证临床预测模型所需的大规模数据，并有机会在现场实施这些模型，为真实世界的临床决策提供信息。目前已经有几个临床预测模型在这方面表现出色，完全有能力在不久的将来实施并改善心理健康护理。

图片

参考文献：Using Electronic Health Records to Facilitate Precision Psychiatry.