Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study

这项诊断准确性研究利用哥伦比亚一家精神病院的 500 份电子健康记录，评估了一种基于自然语言处理的 AI 模型，结果显示其在提取临床领域方面具有高度一致性，并展现出改善情感性诊断患者双相情感障碍早期检测的潜力。

要点

以下是用简单语言和创造性类比对该研究的解释。

大局观：在大海捞针

想象一位精神科医生就像一位试图解开谜团的侦探。患者是嫌疑人，他说：“我抑郁了。”但侦探怀疑真实情况更为复杂：患者实际上可能患有双相情感障碍，这是一种情绪在深度悲伤和极度亢奋（躁狂）之间剧烈波动的疾病。

问题在于，双相情感障碍往往被隐藏起来。当患者初次就诊时，他们通常只谈论“悲伤”的部分，因此医生往往将其作为普通抑郁症进行治疗。这就像试图在一堆巨大的干草中找到一根特定的针，但这根针被伪装得与干草一模一样。

这项研究提出了一个问题：计算机程序（人工智能）能否比人类更快、更好地阅读患者的病历，从而发现这些隐藏的“针”？

实验：人工智能 vs. 人类侦探

研究人员从哥伦比亚波哥大的一家精神病院调取了500 份真实的医疗档案。这些档案是用西班牙语书写的，包含医生随时间推移记录的杂乱、非结构化的笔记（就像患者生活的长篇、漫谈式的日记）。

他们使用了一种名为Arkangel AI的人工智能工具。可以将此人工智能想象成一台超快速、高度专注的阅读机器。

• 人类任务：由一组专家精神科医生手动阅读这些档案，以确定“真实情况”（即实际诊断）。
• 人工智能任务：人工智能扫描相同的档案，寻找与躁狂和抑郁相关的 18 个特定“线索”（症状），例如“睡眠极少”、“说话过快”或“感觉不可战胜”。

人工智能如何“阅读”笔记

人工智能并非凭空猜测；它被训练为寻找特定模式。

• 线索：它寻找 9 种“高涨”迹象（如易怒或思维奔逸）和 9 种“低落”迹象（如悲伤或精力丧失）。
• 转换：它将杂乱无章的人工手写笔记转化为整洁、有条理的检查清单。例如，如果医生写道：“患者称已三天未睡，但感觉精力充沛”，人工智能就会勾选“睡眠需求减少”这一项。

结果：速度与准确性

该研究将人工智能的检查清单与人类专家的最终裁决进行了比较。

1. 速度纪录
这是人工智能真正大放异彩的地方。

• 人类：人类评审员阅读并分析一份患者档案大约需要25 分钟。
• 人工智能：人工智能完成同样的工作仅需0.2 分钟（约 12 秒）。
• 类比：如果人类是蜗牛，那么人工智能就是法拉利。人工智能的速度比人类快120 倍。它处理完全部 100 份档案所需的时间，仅相当于人类喝一杯咖啡的时间。

2. 准确性

• 发现“针”：人工智能在发现确实患有双相情感障碍的患者方面表现出色。它捕捉到了**96%**的真实病例（敏感性）。它很少漏掉实际患有该疾病的患者。
• 避免误报：它在患者未患有双相情感障碍时说“不”的能力也相当强，正确率达到了84%（特异性）。
• 总体得分：如果给人工智能一张成绩单，它会得到A+（满分 1.0 得 0.93 分）。

人工智能的失误之处

人工智能并非在所有细节上都完美无缺。

• “可能”区域：人工智能非常擅长判断“肯定是双相情感障碍”或“肯定不是双相情感障碍”。然而，它在中间地带（“高概率”或“某些概率”类别）变得有些困惑。
• 类比：想象人工智能是一位天气预报员。它非常擅长预测“晴天”或“暴风雨”。但当涉及到“多云”时，它有时难以决定哪个标签最贴切。人类专家更擅长做出这些微妙、细致的判断。

结论：得力的助手，而非替代品

该论文得出结论，这种人工智能工具是一个强大的筛查助手。

• 它可以在人类阅读几份档案的时间内阅读数千份档案。
• 它可以标记出可能被遗漏的患者，充当一张“安全网”，捕捉那些可能隐藏在抑郁症诊断噪音中的双相情感障碍病例。

重要提示：论文强调，这种人工智能不是医生的替代品。它是帮助医生更快工作并尽早发现更多病例的工具。最终诊断仍然需要人类专家来解读患者生活的复杂故事。

简而言之：人工智能是一位超快速的图书管理员，可以在庞大的图书馆中瞬间找到“双相情感障碍”类的书籍，但人类专家仍然需要阅读这些书籍以理解完整的故事。

技术摘要

技术摘要：利用人工智能检测电子健康记录中的双相情感障碍

问题陈述
双相情感障碍（BD）是一种严重且慢性的精神疾病，常被漏诊，尤其是在最初表现为抑郁障碍的患者中。这种诊断延迟往往导致治疗不当、自杀风险增加以及巨大的社会经济负担。虽然人工智能（AI）和自然语言处理（NLP）通过分析非结构化临床数据为早期检测提供了潜力，但针对西班牙语电子健康记录（EHR）的经过验证的模型却十分匮乏，特别是在心理健康资源有限的拉丁美洲背景下。现有模型在这些人群中往往缺乏外部效度，或者未能解决西班牙语临床叙述中的具体细微差别。

方法学
本研究对哥伦比亚波哥大一家精神科转诊医院 2020 年至 2024 年的 500 份电子健康记录进行了回顾性诊断准确性分析。研究人群为年龄≥18 岁、基线诊断为抑郁或焦虑谱系障碍的患者。

• 模型架构："Arkangel AI"模型作为一个两阶段系统运行。
  1. 信息提取：利用 18 个独立的提示词，结合引导式思维链（CoT）推理，模型根据 DSM-5 和 MINI 标准，提取 18 个预定义临床领域（9 个躁狂/轻躁狂领域和 9 个抑郁领域）的二元（存在/不存在）数据。这些提示词在涉及精神科医生审查的试点阶段进行了迭代优化，以解决隐含叙述解释中的错误。
  2. 诊断推断：基于规则的系统将提取的症状汇总，将患者分类为四个风险类别：(1) 确诊 BD，(2) 高概率 BD，(3) 一定概率 BD，以及 (4) 无风险。
• 验证：100 份记录的子样本作为验证集。指数测试为 AI 模型的分类结果。参考标准是由精神科医生依据 DSM-5 和 MINI 标准进行的独立临床评估，并通过共识流程解决分歧。评审人员对模型输出结果不知情。
• 统计分析：使用灵敏度、特异度、阳性/阴性预测值（PPV/NPV）、F1 分数和受试者工作特征曲线下面积（AUC-ROC）评估性能。症状提取的一致性使用 Cohen's kappa 和 Gwet's AC1 进行测量，以考虑高患病率的影响。

主要结果

• 症状提取：模型在 18 个领域与临床评审人员的平均一致性达到 91.1%。对于特定的躁狂症状，如言语迫促（97.0%，κ=0.891）和易激惹（96.0%，κ=0.891），观察到高度一致性。对于患病率高或语义宽泛的领域，如抑郁情绪和失眠，一致性较低，这主要归因于患病率悖论。
• 诊断性能：在二元筛查任务（任何 BD 风险 vs. 无风险）中，模型表现如下：
  • 灵敏度：96.4%（95% CI: 87.7%–99.0%）
  • 特异度：84.4%（95% CI: 71.2%–92.3%）
  • F1 分数：0.92
  • AUC-ROC：0.932（95% CI: 0.881–0.975）
• 风险分类：模型在区分极端类别（确诊 BD 和无风险）方面表现出强劲性能，F1 分数分别为 0.902 和 0.894。在中间类别（高概率和一定概率）中性能较弱，模型与临床医生在这些类别中表现出更大的重叠和混淆。
• 效率：AI 系统处理 100 份验证记录大约需要 20 分钟，而人工评审员累计需要 41.3 小时。这代表分析时间减少了 99.2%，或者说速度提高了 120 倍。

意义与主张
作者声称，基于 NLP 的西班牙语电子健康记录分析在识别与 BD 相关的症状模式方面能够实现具有临床意义的性能，同时大幅缩短审查所需时间。该研究将该模型定位为并非自主诊断工具，而是一个临床决策支持系统，旨在：

1. 优先处理患者：识别记录中包含与双相情感相符的症状组合的个体，这些个体可能受益于结构化访谈或专科重新评估。
2. 减少诊断延迟：解决 BD 诊断中的显著滞后，特别是在专科医生时间稀缺的资源受限环境中。
3. 优化资源：通过对大量非结构化数据进行分诊，提高卫生系统的效率。

该论文强调，该模型最大的优势在于症状提取，而非分类诊断整合。它承认，虽然模型能有效识别明确的症状提及，但对其时间组织和临床意义的解释仍然是一项复杂的任务，需要人工监督。作者得出结论，此类工具在“人在回路”（human-in-the-loop）框架下最为有效，在该框架中，计算效率补充而非取代精神科判断。

指出的局限性
本研究承认其局限性包括回顾性设计、单中心样本（限制普遍性）以及依赖常规记录的叙述（可能包含信息偏倚）。此外，该模型尚未经过其他语言、地区或卫生系统的验证，中间风险类别中较低的性能表明，部分误差源于精神科解释固有的主观性，而不仅仅是检测失败。