基于积极心理学理论的护理模式对女性精神分裂症患者病耻感和心理状况方面的影响

目的:探讨基于积极心理学理论的护理模式对女性精神分裂症患者病耻感和心理状况方面的影响。方法:选取2018年9月—2021年2月厦门市仙岳医院收治的74例女性精神分裂症患者作为研究对象,采用随机数表法分为研究组与对照组,每组各37例。对照组患者实施常规护理,研究组患者在常规护理的基础上实施基于积极心理学理论的护理模式。比较两组患者干预前后的心理状况、病耻感及精神症状。结果:干预3个月,两组患者的阳性与阴性症状量表(PANSS) 3个分量表得分及总分、精神疾病内在病耻感量表(ISMI)各维度得分及总分均显著低于干预前,幸福进取者问卷(HEIQ)各维度得分及总分均显著高于干预前,且研究组患者得分的降低或升高幅度大于对照组患者,差异有统计学意义(t=19.223、10.554、5.362、8.719、6.467、7.358、6.243、6.948、12.368、6.809、3.799、3.345、4.066、2.057、4.161、3.789、7.603,P<0.05)。结论:基于积极心理学理论的护理模式可有效减轻女性精神分裂症患者的病耻感,提升患者的积极心理品质,有利于减轻患者的精神症状。

基于机器学习的非药物因素预测精神分裂症疗效的研究

目的探讨基于机器学习的非药物因素在预测精神分裂症疗效的研究。方法选择2021年6月—2022年12月本院门诊收集符合ICD-10精神分裂症诊断标准的200例患者作为研究对象,随机分配到独立训练集和独立测试集,经过2周的治疗,根据PANSS减分率的高低,将其分为实验组(160例)和对照组(40例)两组,以评估两组患者的疗效。同时在治疗过程中单变量分析与多变量Logistic回归分析影响两组患者康复的因素,并采用随机森林算法建立机器学习模型和引入独立测试集,采用受试者操作特征曲线、校准曲线分析交叉验证机器学习模型的准确度与稳健性。结果机器学习模型具有较好的区分度,其中独立训练集AUC为0.877,而独立测试集AUC为0.853。经过对该模型的深入分析,我们发现,患者的非药物因素,如性别、民族、家庭收入、家庭人口数、婚姻状况、教育水平、职业、吸烟习惯、发病年龄、首次诊断时间、首次治疗时间、总发病次数、停药次数以及发病形式,都会显著影响精神分裂患者的治疗效果(P<0.05)。结论利用轻量梯度提升机机器学习方法开发并建立了一个非药物因素在预测精神分裂症疗效的预测模型,具有较好的预测效能,能够辅助临床医护人员对精神分裂症的非药物因素开展针对性的干预,从而降低精神分裂症的发生率并改善预后。