基于机器学习构建中重度抑郁症住院患者使用SNRI类抗抑郁药的疗效预测模型_WORD.docxVIP

·智慧药学·

Δ基金项目“天山英才”医药卫生高层次人才培养计划项目（No.TSYC202301A028）

＊第一作者硕士研究生。研究方向：临床药学。E-mail：1440354272@

#通信作者主任药师，硕士生导师，硕士。研究方向：医院药学、药物分析。E-mail：1523264450@

基于机器学习构建中重度抑郁症住院患者使用SNRI类抗抑郁药的疗效预测模型Δ

刘学涛1，2＊，刘阳1，李红建2，吴建华2，刘思明2，焦敏2，于鲁海2#

1.石河子大学药学院，新疆石河子832000；2.新疆维吾尔自治区人民医院药学部，乌鲁木齐830001）

中图分类号R971+.43；TP181文献标志码A文章编号1001-0408（2025）15-1936-06

DOI10.6039/j.issn.1001-0408.2025.15.21

摘要目的运用机器学习方法构建中重度抑郁症住院患者使用5-羟色胺去甲肾上腺素再摄取抑制剂（SNRI）的疗效预测模型。方法回顾性收集2022年1月至2024年10月在新疆某三甲医院使用SNRI类药物治疗的中重度抑郁症住院患者病历资料，根据24项汉密尔顿抑郁量表评分标准的减分率，将患者分为有效组与无效组；经过LASSO回归筛选与SNRI类药物疗效相关的特征变量，应用训练集构建支持向量机、k近邻、随机森林、轻量级梯度提升机和极端梯度提升5种预测模型，使用贝叶斯优化算法调整模型的超参数，再以验证集评估模型性能，以筛选出最优模型。应用夏普利加性解释方法对最优模型进行解释。结果共收集到355例中重度抑郁症住院患者的病历资料，其中有效组285例、无效组70例，治疗有效率为80.28%。经过特征变量筛选，得到与疗效相关的5个特征变量，分别为汉密尔顿焦虑量表评分、血尿素氮、合用抗焦虑药物、饮酒史、首次发病。与其他模型相比，随机森林模型的性能表现最优，其受试者工作特征曲线下面积值为0.85，精确率-召回率曲线下面积值为0.87，准确度为0.74，召回率为0.75。结论基于5种特征变量建立的随机森林模型可用于中重度抑郁症住院患者使用SNRI类药物的疗效预测。

关键词5-羟色胺去甲肾上腺素再摄取抑制剂；中重度抑郁症；疗效；机器学习；预测模型

ConstructionofapredictivemodelfortheefficacyofSNRIantidepressantsininpatientswithmoderateandseveredepressionbasedonmachinelearning

LIUXuetao1，2，LIUYang1，LIHongjian2，WUJianhua2，LIUSiming2，JIAOMin2，YULuhai2

1.SchoolofPharmacy，ShiheziUniversity，XinjiangShihezi832000，China；2.Dept.ofPharmacy，XinjiangUygurAutonomousRegionPeople’sHospital，Urumqi830001，China）

ABSTRACTOBJECTIVEToconstructapredictionmodelfortheefficacyofserotonin-norepinephrinereuptakeinhibitor（SNRI）ininpatientswithmoderateandseveredepressionbyusingamachinelearningmethod.METHODSThecaserecordsofinpatientswithmoderateandseveredepressiontreatedwithSNRIantidepressantswerecollectedfromathird-gradeclass-AhospitalinXinjiangfromJanuary2022toOctober2024；thosepatientsweredividedintoeffectivegroupandineffectivegroupbasedontheHamiltondepressionscale-24scorereductionrate.Afterscreeningthecharacteristicvariablesrelatedtothetherapeutic