精神病（Psychosis），也称精神错乱，本质上是一种心智异常状态，其最核心的特征是与现实严重脱节。患者的典型表现包括错误的信念（即妄想），以及感知到并不存在的东西（即幻觉）。此外，言语混乱、行为举止不合时宜也极为常见。在发作期间，患者还可能出现抑郁、焦虑、物质滥用、睡眠障碍、社交退缩、缺乏动力等问题，日常生活几乎无法正常维持。

精神错乱的成因相当复杂，既可能是精神疾病本身所引发，也可能由某些身体疾病、药物、物质滥用、长期睡眠不足等因素导致。好在它是一种可以治疗的疾病，只是不同病因会影响大脑处理信息的方式，因此治疗路径也有所不同。

从市场规模来看，抗精神病药物这块蛋糕仍在持续增长。根据《研究与市场》（Research and Markets）2020年9月发布的报告，2020至2027年间，全球抗精神病药物市场的年增长率预计为4.1%，到2027年有望达到218亿美元。报告还提到，仅美国一地，去年就占到了全球市场超过28.8%的份额。

那么问题来了——人工智能和机器学习，能否帮助临床医生提前预测哪些患者会发展成精神病？德国慕尼黑马克斯-普朗克精神病研究所（Max Planck Institute of Psychiatry）的科学家们正在探索这一方向。他们在一项新研究中，尝试将AI机器学习与人类临床判断相结合，用于预测精神疾病。

研究团队表示：“据我们所知，这是首次证明通过AI算法模式识别能够提升预测准确性的研究，甚至可以说，这种决策支持工具在临床上是站得住脚的。”

具体是如何实现的呢？研究人员使用了一款开源机器学习软件——NeuroMiner（可在GitHub上获取），开发了一套“顺序预测算法”。这套算法的核心在于，它能决定哪些预测成分应该按什么顺序组合起来，最终形成一个堆叠模型。

为了找到风险计算器的最佳预测特征集，团队调用了NeuroMiner中Liblinear库提供的支持向量机（SVM）。

简单来说，支持向量机是一种有监督的机器学习模型，专门用于在复杂数据集中寻找可识别的模式。它的优势在于：对于高维度的成像数据（如神经影像），其过度拟合的风险相对较低。再加上分类方式非常灵活，因此特别适合用于精确精神病学的神经科学研究——例如用AI预测抑郁症、阿尔茨海默病和精神分裂症。

研究结果相当亮眼。研究人员报告说：“在这项针对334名患者和334名对照个体的预测后研究中，机器学习模型将临床数据和生物学数据与临床医生的估计逐步结合，正确预测了85.9%的病例——这些病例来自不同地理区域的患者，预测的是是否会发生疾病转变。”

整个研究的目标十分明确：提供一种早期干预工具，帮助医生判断哪些患者真正需要治疗干预。如今，这个概念验证已经完成——一种可能的新AI辅助方法，能够在早期就发现患者的精神病倾向。也许有一天，它真的能改善精神健康治疗的前景。