用于评估互联网提供的认知行为疗法（CBT）与抗抑郁药物治疗效果的机器学习模型

《JAMA Network Open》：Machine Learning Model for Response to Internet-Delivered CBT vs Antidepressant Medication

基于自然主义前瞻性队列研究，弹性网络回归模型通过27项自报告基线数据（包括抑郁严重度、治疗期望、共病症状等）可解释19%的抑郁改善方差，其预测性能在iCBT组和抗抑郁药组中均表现良好（R2分别为18.8%和17.9%），且在单组别训练后治疗特异性提升至19.3%。

　　

要点

问题　　机器学习模型能否预测对基于互联网的认知行为疗法（iCBT）的反应，而无法预测对抗抑郁药物的反应？

研究结果　　在这项针对883名接受iCBT或抗抑郁药物治疗的患者的预后研究中，使用27个主要来自患者自我报告的预测因子进行弹性网络回归分析，解释了未见数据中抑郁改善程度19%的变异。当样本中包含同时接受心理治疗的患者时，该模型对接受抗抑郁药物治疗的患者也有很好的泛化能力；但仅对接受iCBT的患者重新训练模型后，得到了一个更具治疗特异性的模型。

意义　　这些结果表明，在自然临床环境中，临床数据和认知数据能够预测iCBT的反应，并显示出治疗特异性。

摘要

重要性　　虽然存在多种治疗抑郁症的方法，但没有一种方法是普遍有效的。多变量预测模型有助于个性化治疗选择。

目的　　开发一个模型来预测对在线提供的认知行为疗法（iCBT）的反应，并测试其与抗抑郁药物的反应特异性。

设计、研究环境和参与者　　这项由“Precision in Psychiatry”开展的预后研究是一项为期4周的研究，从2019年2月到2022年5月在线收集了大量的基线自我报告和认知数据，以预测患者对iCBT的早期反应。iCBT组的患者通过爱尔兰一家心理健康慈善机构和英国NHS的“Talking Therapies”诊所招募；抗抑郁药物组的患者则通过在线和印刷广告在全球范围内招募。参与者年龄在18至70岁之间，英语流利，能够使用电脑，并在注册后2天内开始治疗，在工作和社交适应量表上的得分至少为10分。分析工作于2024年12月完成。

干预措施　　低强度的、由临床医生指导的iCBT，结合多媒体心理教育。接受抗抑郁药物治疗的患者主要服用选择性5-羟色胺再摄取抑制剂或5-羟色胺-去甲肾上腺素再摄取抑制剂。

主要结果和测量指标　　使用iCBT患者的样本训练机器学习模型，以预测第4周时抑郁严重程度的变化（16项抑郁症状快速自评量表）。最佳模型在未参与训练的iCBT和抗抑郁药物数据上进行了测试；还单独训练了一个模型，用于评估仅接受iCBT的患者的治疗特异性。

结果　　在2674名被筛查的患者中，有883名完成了基线和最终评估：其中776名患者接受了iCBT（平均[标准差]年龄为31.8[11.0]岁；600名[77.5%]为女性），107名患者接受了抗抑郁药物治疗（平均[标准差]年龄为30.1[10.4]岁；78名[72.9%]为女性）。两组患者之间存在一定程度的治疗重叠（分别为24%和34%）。使用27个预测因子的弹性网络回归模型最好地解释了抑郁变化的变异（R² = 14%；标准差，0.8%；95%置信区间，13.8%-14.2%）。关键预测因子包括基线抑郁程度、治疗预期、跨诊断症状，以及程度较低的认知变量。该模型在未参与训练的iCBT数据（R² = 18.8%；均方根误差[RMSE]，0.88）和抗抑郁药物数据（R² = 17.9%；RMSE，1.10）上的表现均较好。仅对181名接受iCBT的患者重新训练模型后，治疗特异性进一步提高（R² = 19.3%；RMSE，0.89），而仅对71名接受抗抑郁药物治疗的患者重新训练时，治疗特异性为R² = 10.8%；RMSE，1.17）。

结论和相关性　　这项在自然临床环境中的预后研究发现，自我报告的数据比认知数据更能准确预测iCBT的反应。该模型的预测结果也适用于同时接受抗抑郁治疗的患者。针对单一治疗群体的模型训练可能会产生更具治疗特异性的预测结果。