背景：精神疾患で観察される症状の重複と異質性は、正確な診断および患者層別化の課題となっている。ナイジェリアのような資源の限られた環境では、利用可能な構造化臨床データに教師なし機械学習を適用することで潜在的なサブタイプを明らかにし、診断と治療を改善できる可能性がある。目的：本研究は、精神状態および患者歴データのクラスタリングにより、ナイジェリアのコホートにおける有意義な精神医学的サブタイプを同定することを目的とする。方法：38の臨床変数を含む664人の患者データを解析した。精神状態領域には気分、思考内容、知覚、病識が含まれ、病歴領域には心理社会的背景、家族歴、物質使用、精神疾患の既往エピソードが含まれた。前処理、欠損値補完、ワンホットエンコーディングの後、2領域に対してそれぞれ独立にKMeansクラスタリングを適用した。最適なクラスタ数（k＝4）は、臨床的解釈可能性とモデルの頑健性を考慮し、エルボー法およびシルエットスコアに基づいて選択した。クラスタの安定性は、調整ランド指数および正規化相互情報量によって評価した。クラスタと診断の関連はカイ二乗検定で評価した。結果：精神状態のクラスタリングは高い安定性（ARI＝0.9944、NMI＝0.9912）を示し、病歴のクラスタリングは中程度の一致（ARI＝0.4490、NMI＝0.5465）を示した。クラスタ間の相関分析により、異なる臨床的特徴を持つ4つの患者プロファイルが同定された。（1）社会的ストレッサープロファイル：既往歴がなく、急性の社会的誘因に対する反応性症状を特徴とし、心理社会的支援が有益である可能性が高い。（2）精神疾患慢性化プロファイル：継続的な管理を要する、エピソード性または長期的な障害を特徴とする。（3）最小リスク因子プロファイル：明確なリスク因子のない初回エピソード症例が大半を占め、慎重なモニタリングを必要とする。（4）複雑多重リスクプロファイル：個人的、家族的、医学的リスクが重複し、包括的な多職種連携ケアを必要とする。これらのプロファイルは診断と有意に関連していた（p＜0.001）。結論：教師なしクラスタリングにより、研究対象として十分に代表されてこなかった集団において臨床的意義のある精神医学的サブタイプが明らかとなり、個別化介入の可能性が示された。今後の研究では、これらの知見を検証し、治療転帰に対する予測的価値を探究する必要がある。
https://doi.org/10.20944/preprints202609.0009.v1