双相障碍共病边缘型人格障碍的诊断要点：来自机器学习方法的新发现

医脉通导读

本项研究中，基于43条规则的机器学习算法鉴别双相障碍共病边缘型人格障碍（BP/BDP）与纯双相障碍（BP）的准确率达到79.6%，而鉴别双相障碍共病边缘型人格障碍（BP/BDP）与纯边缘型人格障碍（BPD）的准确率为61.7%。

一系列因素有助于鉴别共病与非共病患者，而冲动及愤怒相关因素对于鉴别BP/BPD vs. BP及BP/BPD vs. BPD均很重要。详见正文。

————————

医脉通编译，未经授权请勿转载。

双相障碍（BP）与边缘型人格障碍（BPD）的鉴别有一定难度。一般认为，尽管两者均可表现为显著的情绪不稳，但双相障碍较边缘型人格障碍呈现出更强的发作性特征，且边缘型人格障碍患者在身份、人际关系等方面存在其他一系列突出的特点，可供鉴别。

然而，BP共病BPD的情况也不鲜见；此类共病如何与单纯的BP或BPD鉴别，同样值得探讨。在这一背景下，澳大利亚新南威尔士大学黑狗研究院Adam Bayes等使用机器学习手段，探索了BP共病BPD（BP/BPD）与纯BP或纯BPD的鉴别要点。本项研究本月在线发表于J Psychiatr Res.（影响因子 4.791）。

研究简介

2021年，同一研究团队使用机器学习手段探讨了纯BP与纯BPD的鉴别诊断，并实现了较高的准确率（PMID 33845326）。作为该研究的延伸，本次研究者共纳入了82名纯BP患者（双相 I 型4人，II 型78人，平均年龄33岁）、52名纯BPD患者（平均年龄30岁）及53名BP/BPD患者（平均年龄32岁），后两组女性比例较高。

这些受试者完成了四种自评工具的评估，分别为人格测量问卷（PM，113个条目），情绪调节量表（DERS，36个条目），认知情绪调节问卷（CERQ，36个条目），以及父母类型问卷（MOPS，30个条目），其中一些量表条目对于鉴别共病与未共病患者可能尤其有价值。研究者使用技术手段对这些因素进行了探索，并评估了基于这些因素的算法鉴别共病与非共病患者的准确性。具体研究设计详见原始文献。

研究结果

简言之，基于43条规则的机器学习算法识别BP/BPD vs. BP的准确率达到79.6%，而识别BP/BPD vs. BPD的准确率仅为61.7%。相比于BP患者共病的BPD，BPD患者共病的BP似乎更难被准确识别。

就鉴别诊断的重要因素而言：

BP/BPD vs. BP

图1 有助于鉴别BP/BPD和纯BP的因素；横轴为重要性

鉴别BP/BPD和纯BP时，最重要的因素是“面对压力时，我经常感觉其他人故意针对我”（PM 79），随后依次为：思维反刍（CERQ_Rumination）；对拒绝敏感（PM 44）；女性；“难以控制冲动行为”（DERS_Impulse）；“其他人如果了解真实的我，就会不喜欢我”（PM 52）；“我在分手或被他人拒绝的时候或之后容易出现自杀的想法”（PM 56）；“我在有压力的时候容易生气和失去冷静”（PM 41）。

BP/BPD vs. BPD

图2 有助于鉴别BP/BPD和纯BPD的因素；横轴为重要性

鉴别BP/BPD和纯BPD时，最重要的因素是“难以参与目标导向行为”（DERS_Goals），随后为“对情绪缺乏觉察”（DERS_Aware）；双相障碍家族史阳性；“缺乏有效的情绪管理策略”（(DERS_Strategies）。其他有价值的因素包括“我在有压力的时候容易生气和失去冷静”（PM 41）、来自父亲的虐待史（MOPS_Father_Abuse）、“难以控制冲动行为”（DERS_Impulse）。

结论

总体而言，本项研究中的机器学习算法在鉴别BP/BPD vs. BP时的准确率高于BP/BPD vs. BPD。压力相关偏执及其他BPD的核心特征有助于鉴别BP/BPD与纯BP，而情绪调节困难有助于鉴别BP/BPD与纯BPD。此外，冲动和愤怒对于鉴别BP/BPD vs. BP及BP/BPD vs. BPD都很重要。

未来有必要针对更大的数据集开展分析，以提升机器学习算法的准确率，更好地指导临床决策。

文献索引：Bayes A, Spoelma M, Parker G. Comorbid bipolar disorder and borderline personality disorder: Diagnosis using machine learning. J Psychiatr Res. 2022 Jun 1;152:1-6. doi: 10.1016/j.jpsychires.2022.05.032. Epub ahead of print. PMID: 35696742.