《Journal of Affective Disorders》：Who engages? Machine learning insights into digital mindfulness-based intervention for generalized anxiety disorder
编辑推荐：
正念生态瞬时干预（MEMI）与自监督监测（SM）的参与度差异通过机器学习模型预测，发现GAD严重程度、抑制反应时、执行功能错误、注意力控制、共情及词汇流利度等变量对干预选择有显著影响。
Nur Hani Zainal | Michelle G. Newman
新加坡国立大学，心理学系，肯特岭校区，新加坡
摘要
背景
尽管正念生态瞬间干预（MEMI）在缓解焦虑症状方面表现良好，但患者的治疗参与度仍然不尽如人意。通过比较MEMI与自我监测安慰剂（SM）的基线变量，可以为广泛性焦虑障碍（GAD）患者制定个性化的干预方案。
方法
采用机器学习（ML）元学习方法来预测被随机分配到MEMI或SM组的受试者在两周内的参与度（以对数转换后的提示完成数量表示，N = 110）。预测因子包括16个基线变量，涵盖临床、人口统计学、过程执行功能（EF）等方面。通过五折嵌套交叉验证方法使用的随机森林模型减少了过拟合现象。X-learner元算法用于估计条件平均治疗效果（CATE），Shapley加性解释法用于评估各变量的相对重要性。
结果
包含16个预测因子的模型表现出较强的预测能力（R2 = 82.7%；均方根误差RMSE = 0.780；平均绝对误差MAE = 0.512）。前十个预测因子的模型同样具有较好的预测效果（R2 = 82.1%；RMSE = 0.547；MAE = 0.307）。预测受益最大的MEMI组受试者在被分配到MEMI时参与度更高（d = 1.447，p < 0.001）。这些基线变量表明：GAD症状较轻、抑制反应时间较短、执行功能错误较少、注意力控制能力较强、同理心较强以及语言流畅性较高（符合资本化理论）的受试者更倾向于选择MEMI；而正念水平较低、对治疗期望较低、工作记忆较差或注意力转换时间较长的受试者则更倾向于选择SM。
局限性
样本量较小、仅使用单一参与度指标以及研究持续时间较短可能限制了结果的普遍性。
讨论
整合强大的机器学习方法有助于精准识别短期数字心理健康干预的参与度预测因子，从而为个性化治疗提供依据。
试验注册
ClinicalTrials.gov（ID：NCT04846777
部分内容
参与者
参与者总数为110人，平均年龄20.80岁（范围：18–52岁）；其中13.63%为男性，88.67%为女性，0.91%未透露性别。种族构成如下：白人64.55%、非裔美国人5.45%、亚洲人13.63%、西班牙裔7.27%、美洲原住民或太平洋岛民1.82%、其他种族背景者5.45%。约84%的参与者具有高中学历，16%拥有大学或研究生学位。68人被随机分配到MEMI组，42人被分配到SM组。
模型性能评估（假设1）
初始模型包含所有16个基线变量，预测能力较强（R2 = 82.7%，95%置信区间[15.9%–97.5%；RMSE = 0.780 [0.485–1.176]；MAE = 0.512 [0.324–0.839]）。随后确定了SHAP值最大的前十个变量（见表1）。在最终的十个预测因子模型中，通过缩小R2的95%置信区间并降低RMSE和MAE值，模型性能进一步提升（R2 = 82.1% [75.0%–87.4%；RMSE = 0.547 [0.404–0.765]）。
讨论
本研究通过双臂随机对照试验（RCT）探讨了MEMI与SM在治疗效果上的差异。机器学习分析表明，在进一步验证的基础上（Collins等人，2024年），可以构建一个准确的多元预测模型，以识别这两种短期数字干预措施之间参与度差异的“预测因子”（Rosencrans等人，2023年）。包含十个基线临床和过程变量的预测因子集能够解释超过80%的参与度差异。
科学跨学科合作
我们的研究有助于推动教育、诊断、预防和干预的个性化方法发展（Hayes等人，2019年；Reber、Canning和Harackiewicz，2018年；van Os、Delespaul、Wigman、Myin-Germeys和Wichers，2013年）。
临床科学中的多样性与代表性
尽管我们的样本主要为白人、高加索裔非西班牙裔人群，但我们在论文讨论中承认了这一局限性。
CRediT作者贡献声明
Nur Hani Zainal：负责写作、审稿与编辑、原始稿撰写、数据可视化、验证、软件使用、方法论设计、研究实施、资金申请、数据分析、概念框架构建。
Michelle G. Newman：负责写作、审稿与编辑、验证、研究监督、方法论设计、数据管理及概念框架构建。
资金支持
本研究得到了以下机构的资助：美国国家心理健康研究所（NIMH）（R01 MH115128）、宾夕法尼亚州立大学RGSO博士论文奖、宾州州立大学Susan Welch/Nagle家族研究生奖学金、新加坡国立大学（NUS）发展基金以及行为与认知疗法协会（ABCT）Leonard Krasner学生论文奖。Nur Hani Zainal博士还获得了NUS校长青年教授职位（PYP）和White Space基金的支持。
利益冲突声明
所有作者均无利益冲突。
致谢
Michelle G. Newman教授和Nur Hani Zainal博士对数据准确性、分析结果的解释以及研究的整体实施负全责。本研究遵循美国心理学会（APA）和《赫尔辛基宣言》的伦理标准进行，已获得机构审查委员会（IRB）的批准，并在参与者充分知情的情况下完成。
