《npj Digital Medicine》：AI-guided digital intervention with physiological monitoring reduces intrusive memories after experimental trauma
编辑推荐：
本研究针对创伤后侵入性记忆这一PTSD核心症状，开发了结合生成式AI指导与瞳孔测量技术的ANTIDOTE系统。通过创伤影片范式实验，发现AI引导的意象竞争任务干预(ICTI)能有效降低健康志愿者后续7天的侵入性记忆数量（干预组m=11.62 vs 对照组mc=21.00, p=0.01）。瞳孔大小可作为认知投入的生物标志物，其与游戏难度正相关(β=0.26, p<0.001)，且联合模型显示记忆提醒阶段低认知努力与任务阶段高认知努力对干预效果有相反预测作用。该研究为开发可扩展的数字精神健康干预提供了新路径。
全球约70%的人一生中会经历创伤事件，而创伤后应激障碍(PTSD)在美国的终身患病率估计达6.8%。尽管认知行为疗法、延长暴露疗法等证据支持的治疗方法存在，但治疗覆盖范围有限——美国退伍军人中仅三分之一获得最低限度的PTSD护理，全球21国的世界精神健康调查显示72.4%的焦虑障碍或PTSD患者未接受任何治疗。这种治疗缺口部分源于现有方法对专业人员的依赖，限制了可扩展性。
侵入性记忆作为PTSD的标志性症状，在创伤暴露成人中发生率高达95%，成为数字干预的理想靶点。由Emily A. Holmes团队开发的意象竞争任务干预(ICTI)通过记忆提醒加视觉空间任务（如俄罗斯方块游戏）干扰创伤记忆的感知处理，已在多个临床试验中证明能减少侵入性记忆。然而，传统ICTI依赖训练有素的人员指导，制约了其大规模应用。
为解决这一瓶颈，Ruby Neurotech团队开发了ANTIDOTE（AI-guided Neurotherapy for Traumatic Intrusions in a Digital Therapeutic）智能神经技术原型。该系统创新性地结合三大要素：证据支持的ICTI干预协议、生成式AI指导系统、以及瞳孔测量生理监测。研究采用创伤影片范式这一成熟的实验性创伤模型，100名健康志愿者被随机分配到干预组或主动对照组。所有参与者观看11.5分钟创伤性视频片段后，接受AI指导的记忆提醒和认知任务：干预组进行强调心理旋转和意象的俄罗斯方块游戏，对照组收听关于古典音乐的播客。
关键技术方法包括：1）基于GPT-4的AI指导系统进行五阶段结构化对话；2）Tobii Pro Spark眼动仪连续记录瞳孔大小（60Hz采样率）；3）创伤影片范式模拟创伤暴露；4）7天电子日记记录侵入性记忆；5）线性混合效应模型分析瞳孔与游戏难度关系。所有分析均基于预注册方案，使用Python进行非参数置换检验（100,000次迭代）。
干预效果显著降低侵入性记忆
主要假设验证显示，干预组7天内侵入性记忆总数显著低于对照组（p=0.01, Cohen's d=0.49）。时间进程分析发现组间差异在多个单日显著（p2=0.024, p3=0.006）。混合效应模型确认条件主效应显著（β=-1.65, p=0.008），表明ANTIDOTE在整个7天期间产生一致效果。
AI指导质量达到合格水平
人类评分员使用临床评分标准（0-6分）评估AI-参与者对话，平均得分4.01（95%CI[3.92,4.10]），表明AI指导达到合格水平。AI评分与人类评分高度相关（Spearman's ρ=0.52, p<0.001），为可扩展的保真度评估提供可能。电子日志质量控制显示仅8.03%条目需要调整，证明AI成功传达关键指令。
瞳孔大小追踪认知投入
干预组游戏期间瞳孔大小显著大于休息期（Δ=0.46, p<0.001），而对照组差异不显著。游戏难度与瞳孔大小呈正相关（β=0.26, p<0.001），证实瞳孔作为认知努力指标的有效性。记忆提醒阶段瞳孔也显著增大（两组p<0.001），但随条目增加而减小（β=-0.18, p=0.002）。
生理指标预测干预成功
联合模型显示，干预组中任务阶段瞳孔大小预测更少侵入（β=-28.41, p=0.02），而记忆提醒阶段瞳孔预测更多侵入（β=33.21, p=0.04）。这提示理想策略可能是记忆回忆期间低认知努力，随后任务阶段高认知努力。
研究结论表明，ANTIDOTE首次证明完全自动化的AI指导数字干预可在实验性创伤模型中复制人类指导干预的效果。瞳孔测量为认知状态监测提供客观窗口，AI指导确保标准化交付，共同为开发可扩展、低成本的数字精神健康干预奠定基础。尽管创伤影片范式仍是临床前模型，但该研究为将方法扩展到真实创伤人群提供了概念验证。未来工作可探索基于瞳孔的闭环系统动态优化认知投入，并开发更易获得的眼动追踪方法（如网络摄像头），进一步提升可及性。
该研究反映了数字精神健康领域的两个新兴方向：大型语言模型(LLM)在循证协议中的结构化指导，以及实时生理监测与数字表型分析的整合。随着AI工具和数字表型在临床护理中获得关注，像ANTIDOTE这样在结构化干预中操作化这些概念的方法，有助于缩小研究与现实影响之间的差距。继续开发和临床验证对于确定此类系统能否为全球数百万受创伤影响者扩展有效护理机会至关重要。
