產(chǎn)后煩悶預判模型的分類與較為

產(chǎn)后煩悶（postpartum depression，PPD）是女性臨盆后最常見的情感阻礙，會導致產(chǎn)婦、伴侶和嬰兒顯現(xiàn)多種精神健康問題，從而對家庭和社會構成長遠的牽連。PPD的產(chǎn)生往往牽扯生物學、生理和社會場景等多維度的風險原因[1，2，3，4]。臨床預判模型[5]是指對擁有某類特點表型的特定群體運用多原因回歸創(chuàng)建統(tǒng)計模型進行評價，預判（診療）重病的存在或預判（診療）重病將來某種結局事情的產(chǎn)生幾率。模型建立后能夠通過評價誤差危害對預判模型的確切性和應用性進行評估及驗證[6]。近年來，臨床預判模型被全面運用于醫(yī)學行業(yè)，醫(yī)護職員基于患者當下的健康狀況，可量化患者將來患某病的危害，為患者供應個人化醫(yī)療倡議，有利于減低醫(yī)療本錢，乃至牽連患者的診療與結局[7]。

女性自妊娠至臨盆這一特殊期間時間跨度較長，往往隨同著生理攪擾，并會構成較大的生理應激反應[8]，而負面的生理應激反應與PPD息息有關，因而產(chǎn)前運用臨床預判模型對PPD的產(chǎn)生危害進行預判可為初期辨認和干預PPD供應時間和空間，并有利于督促臨床醫(yī)療抉擇和減小不良結局的產(chǎn)生。本文旨在對不同型號的PPD預判模型進行分類與較為，以期為PPD研發(fā)供應1個更全面的視角，為產(chǎn)前防備及干預工作供應科學根據(jù)。1　文獻檢索方略

本研發(fā)檢索了PubMed和華夏學術期刊全文（CNKI）信息庫。采取醫(yī)學主旨標題（MeSH）、標題和摘要中的單詞并且要害詞的組合，以"post-natal depression/ post-partum depression/postnatal depression/postpartum depression"和"risk prediction/prediction model/predictive model"為英文檢索詞，以"產(chǎn)后煩悶/產(chǎn)后煩悶癥"和"危害預判/預判模型"為中文檢索詞。采取主旨詞和要害詞相結合的方法進行檢索，并對歸入文獻的考慮文獻進行手工檢索。英文檢索式：post-natal depression or post-partum depression OR postnatal depression or postpartum depression AND risk prediction OR prediction model OR predictive model ；中文檢索式："產(chǎn)后煩悶" OR "產(chǎn)后煩悶癥" AND "危害預判" OR "預判模型" 。歸入規(guī)范：（1）研發(fā)目標為年紀≥18歲的孕產(chǎn)婦；（2）研發(fā)內(nèi)容為產(chǎn)后煩悶產(chǎn)生危害的預判模型，擁有完好的模型創(chuàng)建、驗證和評估流程；（3）研發(fā)型號含蓋前瞻性隊列研發(fā)、回首性隊列研發(fā)、病例對比研發(fā)和橫斷面研發(fā)。消除規(guī)范：（1）僅為產(chǎn)后煩悶預判原因、牽連原因研發(fā)，未建立預判模型；（2）述評、體系綜述、Meta解析、理論研發(fā)等型號的研發(fā)；（3）反復刊登、品質較差、缺少可用的遠古信息的研發(fā)；（4）模型含蓋的預判變量少于2個。2　PPD的概括

PPD的概念由PITT[9]在1968年初次提出，并將PPD歸類于臨盆后非典型煩悶病癥。美國精神醫(yī)學學會出版的第4版《精神重病診療與統(tǒng)計手冊》（The Diagnostic and Statistical Manual of Mental Disorders，DSM-4）中將PPD定論為既往無精神重病史的女性在產(chǎn)后4周內(nèi)顯現(xiàn)顯著的煩悶病癥或伴隨典型的煩悶發(fā)作，起碼連續(xù)兩周，導致產(chǎn)婦嚴重的性能阻礙，往往須要專業(yè)治愈[10]。DSM-5中加大了圍產(chǎn)期煩悶的概念，并界定煩悶病癥產(chǎn)生在妊娠時期或臨盆后的前4周內(nèi)[11]，促使PPD的概念及診療更擁有科學性和現(xiàn)實意思。

一項涵蓋世界56個國度、296 284例產(chǎn)婦的體系綜述標明，17.7%的產(chǎn)婦患有PPD[12]。因為新式冠狀病毒肺炎（COVID-19）的世界大盛行，超越四分之一的妊婦在COVID-19盛行時期顯現(xiàn)比往常更多的臨床煩悶病癥，圍產(chǎn)期煩悶抱病率高達25.6%[13]。成長華夏家因為財務資源不夠、衛(wèi)生體系薄弱等多種原因，PPD的抱病率比發(fā)達國度更高[14]。近年來，華夏大陸女性圍產(chǎn)期煩悶綜合抱病率為16.3%，此中產(chǎn)前煩悶（prenatal depression，PND）抱病率為19.7%，PPD的抱病率為14.8%[15]，且展現(xiàn)逐年升高形勢[16]。

成為世界上人口最多的國度，我國為了努力應付人口老齡化、進一步優(yōu)化生育政策，施行了"二孩""三孩"政策，這有利于改進人口構造，但也標志著產(chǎn)后女性也許擔當更多的哺育任務，面對著更大的家庭和工作壓力，存在著生理健康危害。同時因為缺少本土化的PPD診療規(guī)范及指南來引導孕期生理健康，生理咨詢服務的可及性仍舊有限[17]，因而PPD的發(fā)病率逐年上升。進行PPD的初期預判、為孕產(chǎn)婦供應有效的防備和治愈服務對制定擁有本土文化布景的醫(yī)療制度及保健政策供應首要循證數(shù)據(jù)顯得分外首要。3　PPD預判模型的分類

PPD的產(chǎn)生牽扯生物-生理-社會多維度原因的一同功效，緊隨醫(yī)學形式的改變，個人化醫(yī)學的進一步推動，面臨妊婦海量的診斷數(shù)據(jù)并且不同的臨床病癥和體征，選擇緊密有關的風險原因歸入預判模型及選擇最適合的模型建立方式對PPD個人化精確預判尤為要害。建立PPD屬性化預判模型通常應用傳統(tǒng)邏輯回歸方式，比如Logistic回歸解析，預判內(nèi)容含蓋PPD的診療和預后[18]。緊隨大信息發(fā)掘和解析的成長，運用非屬性化模型即非屬性化的機械學習算法建立預判模型越來越受歡迎。機械學習算法通常含蓋抉擇樹、追隨向量機（support vector machine，SVM）和K-近鄰算法（K-NN）等[19]。運用機械學習算法建立PPD預判模型為PPD的初期預判供應了新的途徑。3.1　PPD的屬性化模型

現(xiàn)在大一些PPD屬性化預判研發(fā)將能否產(chǎn)生PPD成為二分類結局變量，從而采取Logistic回歸解析方式討論PPD的風險原因，依據(jù)風險原因預判PPD的產(chǎn)生幾率，并通過OR值解析預判原因與PPD的關聯(lián)強度。

屬性化模型能夠依據(jù)PPD有關變量的偏回歸系數(shù)建立危害評分公式，依據(jù)公式能夠計算PPD的產(chǎn)生危害，以初期辨認有PPD偏向的產(chǎn)婦。MARACY等[20]依據(jù)伊朗鄉(xiāng)村地方保健核心采集的6 627例產(chǎn)婦的橫斷面自我報表問卷材料，應用屬性化Logistic回歸模型解析問卷中的變量，結果顯現(xiàn)煩悶史、受教育水平和意外妊娠等是牽連PPD的首要風險原因。依據(jù)這類風險原因建立的危害評分公式形態(tài)簡潔，易于解讀，醫(yī)護職員能夠便利應用。由此因此，運用屬性化模型對PPD進行預判擁有很好的可闡明性，對衛(wèi)生保健專業(yè)職員評價PPD能否產(chǎn)生供應了證據(jù)追隨。

屬性化模型也能夠通過計算風險原因與PPD之間的關聯(lián)強度，預判其對PPD的牽連水平。NAKANO等[21]于2020年回首性解析了日本愛知縣婦幼保健服務機構2013年7月至2015年6月1 050例孕產(chǎn)婦在妊娠第11周、臨盆后14 d內(nèi)、臨盆后1個月及臨盆后3個月的信息，并進行Logistic回歸解析，表露原因與PPD之間的關聯(lián)由OR值和95%可信區(qū)間確認，結果顯現(xiàn)，PPD產(chǎn)前預判原因含蓋產(chǎn)前患有精神重病〔OR=4.84，95%CI（2.09，11.19）〕、缺少社會追隨〔OR=4.93，95%CI（1.54，15.74）〕、年紀<24歲〔OR=2.43，95%CI（1.37，4.30）〕。通過對風險原因與PPD的關聯(lián)強度進行解析，能夠即時篩選出PPD的高危人群，為有對于性地進行防備及干預奠奠基礎。

值得注重的是，建立屬性化預判模型時還要參考模型的應用前提并且變量之間的有關性，以免顯現(xiàn)過量擬合的狀況[22]。?ANKAYA[23]采取前瞻性隊列研發(fā)設計，采集研發(fā)目標孕早期及產(chǎn)后6~8周的通常人口學材料及孕期社會生理健康評價量表（PPHAS）評分，建立2個時間點的Logistic回歸模型；結果顯現(xiàn)在妊娠時期遭遇丈夫或其余家庭成員的暴力，存在婚姻問題，產(chǎn)前顯現(xiàn)煩悶、焦急和高度感覺壓力的產(chǎn)婦患PPD的危害很高，能夠成為PPD的預判原因，此中妊娠時期遭遇丈夫或其余家庭成員暴力的女性PPD產(chǎn)生率高過未受暴力牽連的女性〔OR=0.056，95%CI=（0.014，0.236）〕。但因為研發(fā)中應用的PPHAS量表總分與其余變量之間擁有高度有關性〔r≥ 0.800，P<0.001，方差膨脹因子（VIF）≥3 000〕，即存在多重共線性，因而并未歸入Logistic回歸模型。屬性化模型不能處理非線性問題，對變量各程度上信息散布不平衡的問題也難以解決，而能否存在多重共線性決議著自變量能否被歸入回歸模型。針對屬性化回歸模型變量篩選存在多重共線性的處理方式之一便是運用正則化技術中的嶺回歸、Lasso回歸[24]并且彈性網(wǎng)絡的方式。3.2　PPD的非屬性化模型

近年來非屬性化機械學習算法變成醫(yī)療預判行業(yè)研發(fā)的熱點方式。臨床醫(yī)學研發(fā)信息擁有量大、混同及隨機性的特征，借用傳統(tǒng)的統(tǒng)計方式預判重病的產(chǎn)生流程常存在絕對的限于性，非屬性化機械學習算法能夠依據(jù)信息型號全智能或半智能地尋找信息中的目的內(nèi)容，發(fā)掘有用常識，頻頻屢次總結法則，輔助研發(fā)者做出抉擇或預判。這類通過大信息發(fā)掘對重病進行預判的方式適合循證醫(yī)學和精確醫(yī)療的需要?，F(xiàn)在運用非屬性化機械學習算法創(chuàng)建PPD預判模型的方式含蓋基于抉擇樹的算法、基于樸實貝葉斯的算法、基于追隨向量機的算法和基于人工神經(jīng)網(wǎng)絡的算法。3.2.1　基于抉擇樹的算法

抉擇樹[25]是一類簡潔但全面應用的分類器，因相似于過程圖的樹構造、能夠模擬人類做出抉擇的流程而命名。建立抉擇樹能夠對新的信息進行分類。隨機樹林（random forest，RF）[26]是專門為抉擇樹分類器設計而成的集成學習方式，含蓋多個抉擇樹，每棵"樹"的散布相近，其預判結果綜合了多個抉擇樹的分類結果，因而終極結果會愈加牢靠[27]。同時RF也能很好地解決信息的缺省值問題，擁有很高的分類精度[28]，因而RF算法更遭到研發(fā)者的青睞。肖美好等[29]采取RF算法對406例妊婦根據(jù)能否產(chǎn)生PPD進行抉擇分類，綜合人口學材料、生物-生理-社會等多個維度的牽連原因，根據(jù)變量首要性評分進行排序，羅列了排在前10位的首要預判變量，且該模型預判確切率為80.10%。

除了RF算法外，梯度提高樹（gradient boosting decision tree，GBDT）算法也是一類基于抉擇樹的集成學習方式，該算法一樣由多棵抉擇樹構成，但終極結果為一切抉擇樹預判論斷的積累，因而通過GBDT算法建立的模型更為高難。為了操控模型的高難水平，CHEN等[30]以GBDT為框架，對目的函數(shù)添加了正則化項，創(chuàng)建了極度梯度提高（XGBoost）算法。HOCHMAN等[31]依據(jù)以色列最大保健組織的電子健康記載信息庫，通過應用XGBoost算法建立預判模型并評價臨盆后1年內(nèi)患PPD的危害，結果顯現(xiàn)：ROC曲線以下積（AUC）為0.712〔95%CI（0.690，0.733）〕，提醒該模型擁有中等程度的預判功能。運用XGBoost算法能夠智能闡明自變量之間的交互功效，同時能夠通過解決每個抉擇樹分類的遺失信息評價不同子集的模型功能。通過XGBoost算法建立PPD預判模型、解析PPD預判原因的首要性并進行排序能夠將產(chǎn)婦根據(jù)不同的危害群體進行分層，有助于進行初期PPD的探測和干預。3.2.2　基于樸實貝葉斯的算法

樸實貝葉斯[32]發(fā)祥于古老數(shù)學理論，是一類安穩(wěn)、構造簡潔且非常高效的分類算法，其原理基于前提獨立性如果，即一切預判變量之間互相獨立，當面臨高維度、多分類的信息集時，樸實貝葉斯可迅速對信息集進行分類。JIMéNEZ-SERRANO等[33]應用西班牙7所綜合醫(yī)院1 397例妊婦的產(chǎn)前材料成為信息集，選擇此中11個變量建立模型并用來預判臨盆后第1周能否產(chǎn)生PPD，結果在訓練集中樸實貝葉斯模型實行了靈敏度、特異度和確切性之間的優(yōu)良平衡，AUC為0.75，展現(xiàn)了最好預判功能。樸實貝葉斯算法簡潔，可以解決多分類任務，施行速率快且易于闡明，但樸實貝葉斯算法在變量散布不平衡時分類成效較差，因而應用樸實貝葉斯算法前須要參考變量散布的平衡性以以免預判成效不佳問題[34]。3.2.3　基于SVM的算法

SVM擁有強力的學習性能[35]，是機械學習中最常用的一類線性與非線性分類方式，其根本原理是借用恰當?shù)暮撕瘮?shù)搜到1個超平面，對信息類型進行分開，使訓練集的點與超平面之間存在最大也許的距離，以到達信息分類的目標。ZHANG等[36]通過采集508例妊婦孕期的數(shù)據(jù)，分別采用兩類特點選取方式：顧問函詢和Filter過濾法，開發(fā)了基于SVM的PPD預判模型；結果顯現(xiàn)該預判模型篩選出的最首要的3個預判原因是生理順應本領、孕早期煩悶和月收益程度。兩類特點選取方式在模型預判功能的有效性方面沒有顯著差別，但采取Filter過濾法進行特點選取的SVM模型預判成效更好（靈敏度=0.69，特異度=0.83，AUC=0.78）。除了特點選取方式外，樣件量的大小也牽連著PPD預判模型的功能，而因為SVM是一類基于構造危害最小化原則的算法，因而當樣件量較小時，采取SVM算法能夠以免過量擬合。此外之外，應用SVM算法建立預判模型擁有很好的泛化本領[37]。3.2.4　基于人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）是從數(shù)據(jù)解決角度解讀和抽象了人腦的神經(jīng)元網(wǎng)絡[38]，可創(chuàng)建簡潔模型并按不同的連通方法構成不同的網(wǎng)絡。多層感覺器（multilayer perceptron，MLP）是一類前饋人工神經(jīng)網(wǎng)絡模型[39]，其在單層神經(jīng)網(wǎng)絡的根基上引入了一到多個暗藏層，采用規(guī)范反向傳遞算法（backpropagation algorithm，BP）[40]訓練多層感覺器，使多層神經(jīng)元協(xié)同工作，并從信息集中進行學習。FATIMA等[41]提出了一類通過交際媒介平臺上客戶的文本數(shù)據(jù)預判PPD的新方式，應用"話語開拓與字詞計數(shù)"（linguistic inquiry and word count，LIWC）軟件提煉交際媒介上形成的話語特點，借用MLP算法并基于話語特點對通常性研討、PPD和非PPD內(nèi)容進行分類及PPD人群預判，結果顯現(xiàn)，MLP預判模型的確切性為80.36%，精確性為75.11%。MLP可以基于填寫特點集導出頂級特點，以及已然發(fā)掘該算法更應用于從海量、高難的信息中篩選出有價值的數(shù)據(jù)[39]。4　PPD預判模型的較為4.1　基于機械學習算法的PPD預判模型的較為

SHIN等[42]通過選擇美國重病操控和防備核心PRAMS 2012—2013年的28 755例孕產(chǎn)婦的孕期信息，采取9種不同的機械學習算法建立PPD預判模型，含蓋RF、隨機梯度提高（gradient boosting model，GBM）、SVM、遞歸分開與回歸樹（RPART）、樸實貝葉斯、k-NN、自順應提高算法（adaptive boosting，AdaBoost算法）、Logistic回歸和ANN，并采取了10倍交叉驗證進行評價；結果顯現(xiàn)：9種預判模型AUC均大于0.5，呈現(xiàn)出優(yōu)良的預判成效，此中RF算法AUC很高，為0.884（靈敏度=0.732，特異度=0.865），其次是SVM，AUC為0.864（靈敏度=0.791，特異度=0.788）。ANDERSSON等[43]基于瑞典一項群體隊列研發(fā)中4 277例婦女的信息（含蓋人口學信息、臨床及生理丈量信息），通過機械學習算法創(chuàng)建PPD預判模型，模型含蓋：嶺回歸、Lasso回歸、GBM、散布式RF、極度隨機樹（XRT）、樸實貝葉斯和重疊組合模型（stacked ensembles models），并評價了不同機械學習算法預判模型的功能。所選機械學習算法的分類功能在確切性、陽性預判值、AUC方面沒有顯著差別。但是，在靈敏度、特異度和陰性預判值方面差別比較顯著。XRT供應了高精度、均衡的靈敏度和特異度的預判功能（確切性：73%，靈敏度：72%，特異度：75%，陰性預判值：33%，陽性預判值：94%，AUC：81%）。通過XRT篩選出相對奉獻高過0.9的首要牽連原因為妊娠時期的煩悶和焦急。采取不同機械學習算法建立預判模型的選取是個高難流程，應應用統(tǒng)計軟件并通過功能指標判定預判模型的預判確切度，同時也須要結合醫(yī)療專業(yè)常識和臨床實際狀況進行判定，參考模型施行的多方面原因。4.2　PPD屬性化和非屬性化預判模型的較為

運用屬性化和非屬性化機械學習算法建立PPD預判模型均可以有效預判產(chǎn)婦PPD產(chǎn)生危害，以及大一些預判模型的確切度很高，有利于醫(yī)護職員即時進行醫(yī)療抉擇。傳統(tǒng)的屬性化模型含蓋線性回歸和邏輯回歸，可通過描繪結局指標與1個或多個闡明性變量之間的聯(lián)系對預判結果進行解析[44]。屬性化模型形態(tài)簡潔、易于解讀，擁有很好的闡明性，通過預判原因的權重能夠看見不同預判原因對PPD的牽連水平。PPD屬性化預判模型以幾率的形態(tài)流出結果，能夠對不同型號的孕產(chǎn)婦進行危害分層，有對于性地進行輔助抉擇，因而更應用于醫(yī)護職員臨床運用，但應用屬性化模型須要參考信息的散布及共線性問題。

因為妊娠期至產(chǎn)后時間跨度較長、PPD的牽連原因眾多、信息構造高難，因而借用傳統(tǒng)的屬性化建模方式預判PPD的產(chǎn)生也許存在較大的限于性。這時，面臨變量的高難狀況，非屬性化預判模型更具優(yōu)勢。非屬性機械學習算法眾多，基于抉擇樹的算法是一類分類精度高、體現(xiàn)形態(tài)相對簡潔的算法[45]，況且能夠用圖形展現(xiàn)，加大了臨床應用性，但不能給出明確的公式，且因為對信息的改變十分敏感，造成安穩(wěn)性相針對屬性化模型較差。另一類全面運用的非屬性分類模型是樸實貝葉斯模型，其算法較為簡潔，施行速率更快，可是須要計算先驗幾率，假設變量之間存在關聯(lián)則其預判成效較差。若信息存在非線性問題，可采取SVM算法，其算法相對高難，信息量大時訓練時間較長，因而SVM更合適對小樣件量信息供應高效的計算，并以免了過量擬合，進而構成更好的預判結果[46]。相針對Logistic回歸、抉擇樹等算法，ANN是一類高難的非屬性化算法，往往須要大批的屬性，品種繁瑣且不易于闡明，難以得出醫(yī)學論斷來追隨臨床抉擇，但ANN針對大樣件臨床材料的調(diào)整性能有很強優(yōu)勢，診療的確切性及分類的確切度很高，擁有高速運算的本領，能夠迅速尋找1個高難問題的優(yōu)解除。另外，ANN還能以通過影像學材料篩選出有診療和辨別意思的特點，因而將來的研發(fā)能夠通過ANN聯(lián)合影像學特點對PPD進行預判。

針對PPD預判模型的創(chuàng)建，要害是針對信息的解決、特點解析并且模型的選取和算法的運用。因為研發(fā)方式、評價規(guī)范有所不同，不同機械學習算法預判模型的預判成效有所差異，因而評價每個模型的成效并選取最好預判模型顯得至關首要。將來的研發(fā)應基于研發(fā)隊列對終極模型進行外部驗證，并對模型的臨床有效性進行解析。值得注重的是，將機械學習算法運用于PPD預判的多數(shù)研發(fā)歸入的預判因子牽扯社會人口學及生理社會原因，但很少有研發(fā)聯(lián)合生物遺傳學原因進行預判。因而，結合PPD生物-生理-社會3個維度的原因進行模型建立至關首要。同時應注重，應用大信息集可減低預計方差，進而供應更好的預判功能，而運用預判原因數(shù)目少且不變化預判功能的預判模型標志著能夠加重采集數(shù)據(jù)的包袱，因此此類預判模型更較易施行和推行?？傊?，緊隨數(shù)據(jù)科學技術不停成長，信息不停改善，在將來的研發(fā)中能夠聯(lián)合生物-生理-社會3個維度的預判原因，應用機械學習算法開發(fā)PPD的綜合預判模型成為產(chǎn)后煩悶的精確預判工具。5　研發(fā)預測

現(xiàn)階段PPD預判模型的研發(fā)如火如荼，"二胎"及"三胎"政策布景下，高危孕產(chǎn)婦數(shù)目將不停增加，對屬性化、非屬性化PPD預判模型進行分類與較為對選取適合的模型建立方式至關首要。值得注重的是，筆者在較為屬性化與非屬性化模型的流程中發(fā)掘，不管哪種模型，均有其對應的應用范疇，在選取適合的模型時也應參考到模型的實用性。因而，倡議在將來研發(fā)中建立PPD預判模型時注重下列事項。

首先，預判變量的維度牽連著PPD預判模型的安穩(wěn)性與確切性。一方面，因為PPD牽連原因高難多樣，歸入模型的預判原因參差不齊，模型擬合及篩選較優(yōu)模型存在差別，也許漏掉某類首要牽連原因，因而廣泛、多維度確認歸入的預判因子至關首要。另一方面，采用高維度預判變量會造成模型過于高難、預判變量缺少代表性、實際運用中難以獲得，將不利于有關預判模型在孕產(chǎn)婦中的推行應用。因而，進行多維預判變量的選取時應參考變量能否存在嚴重的數(shù)據(jù)堆疊，采用適合的方式（如正則化技術）進行降維。參考到妊娠期至產(chǎn)后的時間跨度較長，還應動態(tài)監(jiān)測孕產(chǎn)婦妊娠期至產(chǎn)后的社會場景、生理及有關生物學預判原因，設置更多獲得孕產(chǎn)婦材料的丈量時間點，深入討論預判變量之間的功效體制，以期歸入最好的預判變量。

其次，樣件量的確切預計是PPD預判模型牢靠性和可反復性的首要確保。不管應用哪種模型，樣件量不夠時均較易顯現(xiàn)過量擬合的狀況，即基于小樣件量建立的PPD預判模型難以到更大的人群中進行驗證。針對PPD預判模型的開發(fā)，選擇大樣件、多核心的信息有利于提升PPD預判模型的預判成效及泛化本領，但也應參考到研發(fā)效益與本錢等現(xiàn)實問題，因而樣件量確實定應同時兼?zhèn)溆行约翱尚行?。在樣件量計算方面，RILEY等[47]為怎樣計算臨床預判模型所需的樣件量供應了方式學引導，且不倡議進行信息拆分，而應采取重采樣的方式進行內(nèi)部驗證。除了計算樣件量，研發(fā)歸入的孕產(chǎn)婦的代表性也需引發(fā)看重，而孕產(chǎn)婦群體特點誤差對PPD預判模型的牽連有待進一步研發(fā)。

最終，模型驗證是施行預判的必須環(huán)節(jié)，即對模型的辨別度、校準度進行評估。完好的預判模型應含蓋對模型的內(nèi)部驗證與外部驗證，而現(xiàn)在的大多數(shù)PPD預判模型研發(fā)僅通過隨機拆分信息進行內(nèi)部驗證，這類方式減小了開發(fā)隊列的樣件量，也許減低模型的功能，顯現(xiàn)很高的變異度[48]。更好的內(nèi)部驗證方式為k-倍折疊交叉驗證并且Bootstrap法，但這兩類方式在許多PPD預判模型中常被忽視。同時，內(nèi)部驗證自身并非能確保結果的可推行性，因而還須要大樣件量的外部驗證，以更好地驗證模型的功能[49]。

綜上所述，選取適合的模型建立方式至關首要。屬性化模型易于闡明，偏重于對線性變量的預判，而非屬性化模型在非線性變量預判方面擁有更好的優(yōu)勢，針對文本及圖片信息，運用深度學習算法進行解析也許是更好的選取。因而，模型的選取應結合各類算法的性能及特征，參考研發(fā)目標、變量型號、維度、樣件量、預判原因與結局指標之間聯(lián)系的高難水平等。在PPD預判方面，研發(fā)者更應關心孕產(chǎn)婦PPD產(chǎn)生危害預判模型，注重模型的泛化本領，在參考模型確切度的同時，也應依據(jù)臨床的應用性、實際運用的便利性選取適合的模型，以免一味謀求統(tǒng)計學的優(yōu)化，采取了沒有必須的高難模型。

本文無利益矛盾。

考慮文獻 略

本文來歷：王永劍, 齊偉靜, 王翼鵬, 等. 產(chǎn)后煩悶預判模型的分類與較為[J]. 華夏全科醫(yī)學, 2022, 25(24): 3036-3042.（點擊文題查閱原文）