四图就能拿下10分＋的纯生信文章？！机器学习发文真的这么好用吗？早上车就是王道！

哈喽大家好，你们的科研好伙伴馆长我又来啦！最近AI大火想必大家在网上冲浪的时候都看到了吧？当然了，咱们科研领域也是不甘落后，这不，馆长在pubmed上看到一篇机器学习方面的文章， 4图的纯生信就拿下来10分＋的高分 ，这不得马上跟我的好伙伴们分享一下？！

文章题为Development and Validation of a Machine Learning–Based Model of Mortality Risk in First-Episode Psychosis，主题是开发和验证一个基于 机器学习（ML）的模型 ，用于预测首发精神病（FEP）患者的死亡风险，并评估这些风险预测如何指导药物治疗选择。将机器学习技术应用于FEP患者的死亡风险预测是一个相对较新的领域。该研究利用机器学习算法处理复杂的数据集，以预测FEP患者的死亡风险，这是 精神健康领域中的一个创新应用 ，此外，研究者还开发了一个在线的 死亡风险评估计算器（MIRACLE-FEP） ，使得临床医生能够方便地使用这一工具进行风险评估，提高了模型的实用性和可及性，并且通过长期跟踪后，也验证了模型的稳定性。 PS：机器学习＋创新点，不做实验拿下10分＋文章！是不是心动但不知从何下手？别担心，馆长来帮你处理！快快扫描下方二维码，让馆长来为你提供绝佳科研思路，下一个高分文章之王就是你~

定制生信分析

云服务器租赁

加好友 备注“99” 领取试用

题目：基于机器学习的首发精神病死亡风险模型的开发和验证

杂志：JAMA Network Open

影响因子：IF=10.5

发表时间：2024年4月

公众号回复“123”领取原文PDF，文献编号：240908

研究背景

由于自杀行为、伤害和中毒等原因，首发精神病（FEP）患者的死亡风险比普通人群高几倍，目前没有工具可以在FEP中评估死亡风险；在FEP的临床实践中，长效注射抗精神病药物（LAI）可降低其死亡风险，但目前缺乏进一步分层的指导，因此，本研究旨在开发一个 基于机器学习的模型 ，用于预测FEP患者的死亡风险，并探讨这些风险预测如何指导药物治疗选择。

研究思路

研究团队利用瑞典和芬兰的全国性登记数据库，收集大量FEP患者的数据，使用51个变量 训练机器学习模型 ，对模型的性能进行 评估 后通过机器学习算法来 预测 FEP诊断后两年内的死亡风险，并通过模型 评估药物治疗与死亡风险之间的关系 ，通过这一研究思路，该论文旨在提供一个科学的方法来预测FEP患者的死亡风险，并为临床医生提供指导，帮助他们为患者选择最合适的治疗方案。

研究结果

1.模型性能评估——ROC曲线

研究团队 收集 了来自瑞典队列的24052例FEP患者和来自芬兰队列的1490例FEP患者（验证样本中）的 数据 。在瑞典发现样本中，研究团队使用51个变量的机器学习模型在预测2年死亡风险时达到了0.71的 AUROC值 （95% CI, 0.68-0.74），使用5个最重要的变量（物质使用共病、首次因FEP住院的持续时间、男性、以前的躯体住院次数和年龄）重新训练的模型后，在瑞典样本中得到的AUROC为0.70（95% CI, 0.63-0.76），在芬兰样本中为0.67（95% CI, 0.56-0.78），表明 模型能够有效地区分2年内死亡和生存的患者，且在不同样本中显示出良好的泛化能力 。。

图1：接收者操作特征曲线（ROC）

2.模型性能评估——SHAP值

接下来， 研究团队使用SHAP值来解释模型中各个变量的贡献 ，确定了对死亡风险预测最重要的变量，如物质使用共病、首次因FEP住院的持续时间、男性、以前的躯体住院次数和年龄。此外，在瑞典和芬兰的验证样本中，模型显示出良好的校准性能，Brier分数和校准斜率均接近理想值。

图2：模型性能评估——SHAP值

3.生存分析

随后，研究团队使用最终模型在瑞典和芬兰验证样本中的Kaplan-Meier生存曲线，模型预测的高死亡风险组与低死亡风险组在长期生存率上有显著差异，高风险组的生存率显著低于低风险组。

图3：生存分析

4.不同药物治疗与15年死亡风险的关联

通过 Cox回归分析 ，研究 不同药物治疗与死亡风险之间的关联 ，并根据ML模型预测的风险群体进行分层，发现对于预测高死亡风险的患者，长效注射抗精神病药物（HR, 0.45 [95% CI, 0.23-0.88]）和情绪稳定剂（HR, 0.64 [95% CI, 0.46-0.90]）与降低死亡风险相关，而对于预测生存的患者，只有口服阿立哌唑（HR, 0.38 [95% CI, 0.20-0.69]）和利培酮（HR, 0.38 [95% CI, 0.18-0.82]）与降低死亡风险相关。进行长期跟踪发现，模型的预测性能在瑞典样本15年和芬兰样本20年的长期跟踪中仍然保持一致。

图4：不同药物治疗与15年死亡风险的关联

文章小结

总的来说，该论文开发和验证了一个基于机器学习的模型，用于预测FEP患者的死亡风险，并评估了不同药物治疗对降低这些患者死亡风险的效果。研究使用了来自瑞典和芬兰的全国性登记数据，确定了最重要的风险预测变量，并发现特定药物治疗与降低高风险患者的死亡风险相关。此外，研究还提供了一个在线工具，用于在临床实践中应用这一模型。这些发现可能有助于为FEP患者提供更个性化的治疗策略，以减少他们的死亡风险。 抓紧机器学习这个热点，你上你也行！快快扫描下方二维码，让馆长来陪你一起捋思路、找方法，充分将数据的价值发挥出来，得到属于自己的纯生信高分文章吧！