产后抑郁症（Postpartum Depression，PPD）是困扰围产期女性的一大心理健康难题。在过去几十年，围产期女性的身体健康状况显著改善，流产和死亡率大幅下降，然而她们的心理健康问题却日益凸显。PPD 作为围产期最常见的精神综合征，全球患病率高达 17.22%（95% CI 16.00%–18.51%） ，新冠疫情更是让这一问题雪上加霜。
PPD 不仅会给母亲、婴儿和伴侣带来严重且持久的负面影响，还会破坏家庭和谐，增加医疗支出，阻碍社会发展。目前，PPD 的病因尚不清楚，传统的筛查工具，如爱丁堡产后抑郁量表（Edinburgh Postnatal Depression Scale，EPDS）和贝克抑郁量表（Beck Depression Inventory，BDI），虽为主要的筛查手段，但存在明显缺陷，比如可能无法及时发现 PPD，部分患者还会因社会污名化而隐瞒症状。此外，以往的预测模型也存在方法单一、难以解释、未转化为临床工具等问题。
为了攻克这些难题，河北医科大学人文关怀与健康管理创新中心、天津医科大学肿瘤医院等机构的研究人员，在《Journal of Translational Medicine》发表了一项重要研究，旨在识别 PPD 的预测因素，开发多种风险预测模型，并设计临床评估工具。
研究人员开展了一项前瞻性队列研究，从 2021 年 8 月至 2022 年 8 月，在一所公立三级妇产医院招募了 1138 名进行产科检查的女性。研究过程中，排除了妊娠丢失、早产以及胎儿结构或染色体异常的孕妇。参与者需提供知情同意，并在孕期及产后接受四次随访。
在研究方法上，首先基于文献回顾和专家咨询确定了 35 个与 PPD 相关的候选预测因素，涵盖人口统计学特征、精神疾病史、心理社会因素和生理指标等方面。之后，运用七种特征选择方法筛选出 11 个最终预测因素，包括产后婆婆的照顾（MCPP）、产前抑郁（BDI）、神经质（EPQ-N）等。接着，使用六种机器学习（Machine Learning，ML）算法，即逻辑回归（Logistic Regression，LR）、决策树（Decision Tree，DT）、随机森林（Random Forest，RF）、极端梯度提升（XGBoost）、支持向量机（Support Vector Machine，SVM）和人工神经网络（Artificial Neuron Network，ANN）构建预测模型，并通过五折交叉验证优化参数。最后，使用多种评估指标对模型的区分度、校准度和临床净效益进行评估123。
研究结果如下：
- 基线特征与相关性分析：在 1138 名参与者中，355 名（31.2%）女性 EPDS 评分≥11，被视为患有 PPD。患有 PPD 的女性与未患 PPD 的女性在多个因素上存在显著差异，如婆婆产前和产后的照顾情况、是否有精神疾病家族史、应对方式、人格特质等。同时，研究还发现部分变量之间存在相关性和共线性45。
- 预测变量的选择：通过七种特征选择方法的交叉分析，并结合专家咨询，最终确定了 11 个预测 PPD 的变量，其中 MCPP 和 PCPP 是产后测量的变量6。
- 模型开发与比较：使用 11 个变量构建了 12 个模型（PN-PPD 模型和 PP-PPD 模型）。结果显示，LR 和 ANN 算法构建的模型在预测 PPD 方面表现最佳，其受试者工作特征曲线下面积（AUC）较高，在区分度、校准度和临床净效益方面表现出色。而且，添加产后预测因素可显著提高模型的预测性能78。
- 最优模型的可解释性：为了便于临床应用，研究人员开发了静态、交互式和动态列线图，并计算了风险分层分数。此外，通过 SHAP 值解释了 ANN 模型中各预测因素对 PPD 的影响，发现 EPQ-N、MCPP、BDI 和 BAI 等因素较为重要910。
研究结论与讨论部分指出，该研究首次整合七种特征选择技术确定 PPD 风险因素，LR 和 ANN 模型预测性能优越。开发的交互式风险评估工具，如列线图和网络计算器，方便临床应用；SHAP 值则增强了复杂模型的可解释性，有助于医护人员理解和信任模型预测结果。
从临床角度看，这些基于 ML 的模型提供了快速、自动化的风险评估框架，能够从孕期到产后对产妇心理健康进行动态监测。风险评估工具可嵌入医院电子健康记录系统，方便临床医生在产前和产后检查时进行风险分层和监测，孕妇也可使用网络计算器进行自我评估。然而，研究也存在局限性，如缺乏外部验证、单中心研究可能存在选择偏倚、未收集孕早期信息等。未来需开展多中心研究进一步验证和完善模型。
总的来说，这项研究为 PPD 的早期精准干预提供了有力支持，有望降低或延缓 PPD 的发生，对改善围产期女性心理健康具有重要意义。
生物通微信公众号
