精神分裂症病人攻击行为评估方法及影响因素研究进展

孙玉静，曹云云，张 静，贾艳楠，周郁秋

攻击行为(aggressive behavior)是指病人在症状支配和环境因素影响下发生的对自身、他人和其他目标所采取的破坏性行为，形式上包括语言攻击、身体攻击、攻击物品及自我攻击。精神分裂症是一组常见的病因未明的重性精神疾病，也是严重威胁人类健康和社会功能的一大顽疾。在各类精神疾病中，精神分裂症病人攻击行为发生率最高，为正常人群的3～5倍[1]。研究表明，在精神疾病攻击行为者中，87.8%诊断为精神分裂症[2]。攻击行为反复出现不仅对病人家庭稳定和社会和谐造成巨大威胁，同时严重影响病人预后和康复。据统计每年由于精神疾病病人攻击行为造成的经济损失巨大[3]。因此，精神分裂症病人攻击行为的发生机制与影响因素逐渐成为国内外学者关注的焦点。

1 精神分裂症病人攻击行为评估方法

1.1 测评量表 精神疾病病人攻击行为的风险常用的测评工具包括长期风险评估工具、短期风险评估工具及病人入院时攻击风险评估工具。

1.1.1 长期风险评估工具 ①历史、临床、危险处理-20(HCR-20)：主要适用于既往存在攻击事件且可能患有精神障碍的受试者，是目前世界范围内应用最为广泛的攻击风险评估量表之一，但该量表评估耗时较长，对评估者的素质要求较高[4]。②精神病态测评量表修订版(PCL-R)：该量表包括20个条目，主要适用于司法精神病院和男性罪犯人群[5]。③攻击风险评估指南(VRAG)：适用于司法精神病院的病人，可用于精神疾病病人较长时间内的攻击风险预测[6]。④攻击风险等级量表(COVR)：可以预测社区精神疾病病人攻击行为的发生风险[7]。

1.1.2 短期风险评估工具 ①Broset攻击行为量表(BVC)：该量表可评估住院精神障碍病人在24 h内攻击行为的暴力风险，评估耗时约5 min[8]。②暴力风险量表(VRS)：该量表的显著特点是除可用于干预前的评估外，还可用于干预后效果的评价[9]。

1.1.3 入院时攻击风险筛查工具 包括攻击分析筛查量表(V-RISK-10)等[10]。目前，国内使用的量表多为国外量表的翻译及修订版本，但由于文化背景及医疗背景不同，量表的准确性及适用性有待进一步研究，因此亟须结合我国国情发展适合我国的攻击行为评估工具和模式。

1.2 人工智能技术 人工智能技术就是通过深度学习、知识图谱技术、大数据分析等方法，使用计算机来模拟人类的认知功能，让机器解决问题，或者在特定情况下做出类似人类的反应[11]。人工智能和机器学习算法已被用于精神分裂症疾病预测和诊断等方面，但尚无在精神分裂症病人攻击行为领域的应用[12]。有些报告可能过于乐观，因此应谨慎对待。在人工智能技术应用时面临的主要问题是模型的样本规模较小[13]，以及测试数据集、训练和验证数据集之间缺乏独立性[14]。由此可以看出，人工智能技术一方面可为精神分裂症病人攻击行为的早期识别提供新的方法，另一方面可有效提高精神科医生的工作效率，降低成本，并与人工诊疗优势互补，为早期识别攻击行为风险人群，开展积极干预提供了可能性[15-16]。

2 精神分裂症病人攻击行为影响因素

针对精神分裂症病人攻击行为，国内外多项研究已运用经典的流行病学设计确定了其危险因素。精神分裂症病人攻击行为的影响因素可分为生理学因素、精神症状学因素、行为学因素及心理社会因素。

2.1 攻击行为与生理学因素 既往研究表明，精神疾病病人攻击行为的发生与其血液中某些物质的水平变化密切相关，如三碘甲状腺原氨酸(T3)、甲状腺素(T4)、促甲状腺激素(TSH)、皮质醇(F)、睾酮(T)等，可有效预测病人的攻击行为[17]。研究表明，发生攻击行为的精神分裂症病人肌酸激酶(CK)值水平升高，CK值可以作为攻击行为的预测因素[18]。因此，应将血生化检查指标纳入攻击行为风险评估体系，通过筛选特异指标来提高攻击行为预测的准确性。

2.2 攻击行为与精神症状学因素 研究表明，攻击行为与精神病性症状密切相关。在精神病理学方面，一般认为有被害妄想、嫉妒妄想、命令性幻听、自罪或强迫观念等症状的精神疾病病人攻击行为发生率高，而社交退缩、情感淡漠等阴性症状会降低攻击行为的发生率[19]。研究表明，阳性症状和意向性攻击行为呈显著正相关，阳性症状得分越高，意向性攻击行为发生率越高[20]。另外，有学者认为精神分裂症病人攻击行为与疾病的分型有关，偏执型和紧张型的病人攻击行为发生率高于其他分型病人[21]。

2.3 攻击行为与行为学因素

2.3.1 攻击行为与事件相关电位 精神分裂症病人攻击行为脑诱发电位相关研究表明，攻击组对负性情绪反应时间最短，表明攻击组对负性情绪刺激更加敏感。李丹玉等[22]对精神分裂症病人的事件相关电位P300与攻击行为的相关研究中表明，攻击组P300潜伏期延长且波幅降低。提示攻击性个体认知加工过程存在缺陷，大脑皮层唤醒水平较为低下，从而导致冲动情绪及行为的控制能力削弱。研究表明，P300的潜伏期和波幅可作为特异性神经电生理指标来评估预测精神分裂症病人暴力风险[23]。Frommann等[24]发现，在负性情绪刺激时有攻击犯罪记录的精神分裂症病人N250波幅显著增高，此结果间接表明，在应激状态时攻击犯罪组的攻击相关情绪更易被唤起。精神分裂症有攻击行为的病人存在脑电指标的变化，运用事件相关电位(ERP)技术探讨负性面孔诱发的N250、P300的波幅、潜伏期、反应时及准确率，可为揭示攻击行为发生机制提供客观依据。

2.3.2 攻击行为与服药依从性 抗精神病药物能有效改善精神分裂症病人的精神症状、预防复发，是目前治疗精神分裂症最主要的方法，服药依从性是治疗的关键因素。国内一项基于4个省市社区精神分裂症病人的调查结果显示，有20%的病人出院后不依从服药[25]。Wang等[26]对住院精神分裂症病人进行调查并完成出院后1个月随访，结果发现病人出院前后服药依从性有显著性差异，不依从率从50.8%升至93.0%。坚持服药对病人的治疗效果起到至关重要的作用，随着服药依从性的下降，攻击行为的发生风险增加。然而现有依从性干预多仅关注药物治疗依从性，且对长期维持效果有限。

2.4 攻击行为与心理社会学因素

2.4.1 攻击行为与童年期创伤 童年期创伤是指一种创伤性经历，发生于病人的儿童和青少年时期。研究表明，无论是否罹患精神分裂症，冲动攻击行为与早年的经历和表现有关[27]。家庭教育及环境对攻击行为的产生有重要影响[28]。研究表明，病人的不良个人成长环境对其攻击行为的发生有一定影响。童年期创伤经历可能通过影响发育中大脑特定的神经环路及结构，下丘脑-垂体-肾上腺轴的不典型发育，导致情绪调节功能失调，从而进一步增加了攻击行为的发生风险[29]。

2.4.2 攻击行为与社会认知 社会认知理论的使用会帮助我们更好地理解精神分裂症病人表现出的攻击行为[30]。社会认知被定义为涉及社会信息的感知、解释和处理的认知领域，它保证了人与人之间的正常社会交往。由Green等[31]改编的社会认知模型表明，社会认知在神经认知和功能结局之间起着中介作用，改善社会认知缺陷或减少社会认知偏差可能对精神分裂症病人产生积极的康复结果。社会认知主要包括情绪知觉、社会知觉、心理理论和归因方式等高级认知加工过程。Araya等[32]研究表明，社会认知干预可帮助精神分裂症病人减少愤怒、敌意、攻击行为，提高面部情绪识别能力，有助于病人的社会康复。此外，研究认为将心理理论和认知理论作为一种重要的干预手段，可以减少精神分裂症病人的攻击和暴力行为[33]。

2.4.3 攻击行为与社会动机 社会动机是指激发和引导个体从事社会活动，在社会交往中寻求和获得快乐，建立和维持社会联系的生理和心理因素的内在倾向。精神分裂症病人的社会动机障碍是指社会活动的内在动机较低。社会性赞赏是指在社会环境中鼓励个体更多参与社会活动的刺激因素，如表扬、微笑等，而引发个体回避行为的刺激因素是社会惩罚因素，如批评、负面表达等[34]。因此，对奖励或惩罚的期望会影响个人的社会动机，进而影响攻击行为和社会功能。精神分裂症病人在利用情绪体验形成价值绩效、形成早期奖励和动机目标、形成目标导向行为的过程中存在障碍，不能得到预期的结果，导致功能障碍[35]。因此，探索精神分裂症病人的社会动机损伤特征及评价其是否可以作为攻击行为风险早期识别和预测临床结局的敏感指标，可为制定精神分裂症预防攻击行为的早期干预策略提供新的方向。

3 小结与展望

精神分裂症攻击行为的发生为多系统因素综合作用的结果，以往研究多从相关临床及生物学特征、心理社会因素等方面利用传统数学模型进行预测，但预测力较差。近年来人工智能技术在精神疾病预防、早期筛查、诊断、治疗和康复方面的预测得到初步验证，但如何利用人工智能技术对精神分裂症有攻击行为风险的人群进行早期识别，同时统筹医院、社区卫生资源，实现对精神分裂症病人的动态评估与管理，是亟须解决的重点问题。因此，未来研究应考虑使用多种手段对精神分裂症病人进行攻击行为风险预测和精准管理，达到降低精神分裂症病人攻击行为发生率及疾病复发风险，同步提高病人心理社会功能，改善精神分裂症病人预后，以期为临床相关部门制定精神分裂症攻击行为风险管理政策提供理论支撑和决策依据。