各種類型精神疾病的區分仍是精神病學家努力的方向，到目前為止，醫生根據症狀已經將精神病患者分為兩大類——雙相情感障礙或精神分裂症，重點關注他們的精神病史的共同要素、症狀表現的範圍和疾病進展的整體模式。
儘管詳細的觀察表明，精神疾病和潛在的遺傳風險因素比傳統的診斷二分法所顯示的更具有異質性，但這種分類仍然是臨床實踐和精神病學研究的基本。
確定精神疾病亞組可以提高臨床和研究的準確性。目前研究集中在症狀亞組上，但有必要考慮更廣泛的臨床譜，弄清疾病的發展軌跡，並研究遺傳相關性。
由LMU的Nikolaos Koutsouleris領導的精神病學家使用了一種基於計算機的方法，將診斷為雙相情感障礙或精神分裂症的精神病患者分配到五個不同的亞組中。這種方法可能有助於更好地治療精神疾病。
研究概況
這項正在進行的多地點、自然主義、縱向(6個月的間隔)隊列研究始於2012年1月，覆蓋18個地點。收集來自1223名個體的參考樣本(發現樣本765人，驗證樣本458人)的數據，這些樣本具有DSM-IV診斷的精神分裂症、雙相情感障礙(I/II)、分裂情感性障礙、精神分裂症樣障礙和短暫性精神障礙。發現數據於2016年9月提取，並於2016年11月至2018年1月進行分析，2018年10月提取前瞻性驗證數據，2019年1月至5月進行分析。
研究應用數據驅動的方法檢測精神病亞組，並對精神分裂症、雙相情感障礙、重度抑鬱症和教育成就的疾病病程（1.5年以上）和多基因評分進行檢查。
採用非負矩陣分解聚類方法，對188個變量組成的臨床指標組進行了分析，包括測量人口統計學特徵、臨床病史、症狀、功能和認知。將亞型特異性疾病過程與混合模型和多基因評分進行比較，並進行協方差分析。
結果
在發現樣本的765人中，女性341人(44.6%)，平均年齡42.7歲(12.9歲)。5個亞組分別標記為情感性精神病(n=252)、自殺性精神病(n=44)、抑鬱性精神病(n=131)、高功能性精神病(n=252)和重度精神病(n=86)。
發現具有明顯二次交互作用的疾病過程包括精神病症狀（R2=0.41; 95％CI，0.38-0.44），抑鬱症症狀（R2=0.28; 95％CI，0.25-0.32），整體功能（R2=0.16; 95百分比CI，0.14-0.20）和生活質量（R2=0.20；95％CI，0.17-0.23）。
抑鬱和嚴重精神病亞組表現出最低的功能和二次病程（部分恢復，重症再發）。
受教育程度多基因評分存在差異(平均(SD)部分η2 = 0.014[0.003])，但診斷性多基因風險未發現差異。
結果在驗證隊列中被大量複製。
結論和相關性
精神病亞組具有獨特的臨床特徵、病程和非診斷性遺傳標誌物的特異性。新的數據驅動的臨床方法對未來的精神病分類至關重要。
研究評論
研究人員對1223名患者進行了為期18個月的縱向隊列研究。所獲得的結果使研究小組將患者分成5個定義明確的亞組，從而提供了一個更精細的精神病病理學圖像，這對治療干預具有重要意義。
本研究旨在確定是否可以根據統計相關變量的聚類，將涵蓋廣泛精神疾病的高維度臨床數據集分解為定義的亞組。所採用的數據驅動分析策略是基於機器學習的，它可以發現在大量多因素數據中揭示「隱藏結構」的模式。這些模式可能反過來提示與診斷相關的因果關係差異。
該研究發表在JAMA Psychiatry上，研究的第一作者Dominic Dwyer 說：「我們的研究表明，基於計算機的分析確實可以幫助我們重新評估那些精神病患者是如何被診斷出來的」。
分析最終在實驗人群中識別出五個定義明確的亞組。領導這項研究的Nikolaos Koutsouleris說：「除了症狀和功能過程上的差異外，被分配到不同亞組的病人也可以根據定義的臨床指征來區分。」其中一個亞組的成員與其他所有人的區別還在於他們的低教育程度分數，這是已知的精神疾病的潛在危險因素。
研究人員使用了一種稱為非負矩陣分解的數學方法來檢測統計數據中的模式。通過使用這個過程，他們能夠將包含188個變量的初始數據集簡化為由核心因素定義的五個亞組。這些因素編碼了變量之間迄今未被識別的關係，並揭示了它們之間的功能聯繫。
Dwyer解釋說：「通過評估這些因素在個別病例中的相對重要性，就有可能根據患者的總體得分將他們分成不同的組。」通過這種方式，研究的作者定義了以下五種精神疾病亞組：情感性精神疾病、自殺性精神疾病、抑鬱性精神疾病、高功能性精神疾病和重度精神疾病。
Koutsouleris說：「根據臨床數據，每個亞組都可以與其他所有亞組明確區分開來。」例如，被分配到第5組的患者的特徵在於核心因素：精神分裂症的診斷、明顯較低的受教育程度和言語智力低下。該類患者多為男性，有明顯的精神病症狀，無抑鬱、躁狂症狀。另一方面，在第二組中，明顯存在自殺傾向。這一實驗群體的分類結果為建立統計模型提供了基礎數據，並在458名獨立受試者中得到證實。
分析表明，無偏倚的、數據驅動的聚類可用來將個體劃分為具有不同臨床特徵、疾病軌跡和遺傳基礎的群體。在未來，可以通過使用在線工具將這種計算機輔助分類集成到臨床常規程序中。Koutsouleris和他的團隊已經開發了這種在線工具的原型，可以用來將新個體分組，並預測測試的結果（www.proniapredictors.eu）。