机器学习助力抑郁症治疗决策：精准预测心理治疗与药物治疗效果

抑郁症（MDD）治疗面临困境，一线治疗缓解率低且缺乏个体精准治疗选择方法。研究人员运用机器学习，分析相关数据开发预测算法及推荐工具。结果显示该工具能显著提升治疗效果，为 MDD 个性化治疗带来新希望。

　　在现代社会，抑郁症（Major Depressive Disorder，MDD）如同隐匿在暗处的 “心灵杀手”，悄无声息地侵蚀着人们的身心健康。它是全球导致残疾调整生命年损失的主要原因之一，如今已困扰着超过 3 亿人。目前针对 MDD 有多种经过实证验证且常用的治疗方法，然而令人沮丧的是，无论采用哪种一线治疗方案，缓解率通常仅在 30 - 45% 左右。而且，由于缺乏一种能够在个体层面选择最有效治疗方法的可靠手段，医生们只能无奈地采用繁琐且低效的试错法来为患者进行治疗。这不仅延长了患者的痛苦，还增加了潜在的自杀风险等不良后果。

为了打破这一困境，来自美国埃默里大学医学院（Emory University School of Medicine）等机构的研究人员展开了一项极具意义的研究。他们运用机器学习（Machine Learning，ML）技术，试图找到预测 MDD 患者对心理治疗（如认知行为疗法，Cognitive Behavioral Therapy，CBT）和药物治疗（如艾司西酞普兰、度洛西汀等抗抑郁药物）反应的有效方法，并开发出相应的治疗推荐工具。该研究成果发表在《npj Mental Health Research》上，为抑郁症的治疗开辟了新的道路。

研究人员开展此项研究时，运用了部分最小二乘法回归（Partial Least Square Regression，PLSR）这一关键技术方法。研究数据来源于两项随机对照试验（Randomized Controlled Trials，RCTs），即预测个体和联合治疗缓解情况（Prediction of Remission to Individual and Combined Treatments，PReDICT）研究以及正电子发射断层扫描预测（positron emission tomography - predictor，PET - predictor）研究。通过对这些数据的深入分析，研究人员构建模型来预测治疗结果，并进行模拟治疗推荐。

研究结果

1. PLSR 在 PReDICT 样本中的分析：在 PReDICT 样本中，分别对接受 CBT、艾司西酞普兰和度洛西汀治疗的患者组进行 PLSR 分析。结果显示，CBT 组最佳拟合模型能解释 39.7% 的治疗后抑郁严重程度（以汉密尔顿抑郁量表得分 HAMD - Outcome 衡量）方差，预测缓解的平衡准确率达 73%；艾司西酞普兰组解释 32.1% 的方差，平衡准确率为 61%；度洛西汀组解释 67.7% 的方差，平衡准确率高达 81%。总体预测缓解的平衡准确率为 71%，这表明该模型在预测缓解情况上具有一定的可靠性12。
2. 模拟治疗推荐：研究人员根据 PLSR 预测结果为每位参与者制定个性化治疗推荐。通过计算差异分数并运用最大尤登指数（Youden index），将患者分为推荐 CBT、两者皆可和推荐药物治疗（ADM）三组。结果发现，接受推荐治疗的患者 HAMD - Outcome 得分显著低于未接受推荐治疗的患者，缓解率也更高。例如，接受推荐治疗的患者缓解率为 59%，而未接受推荐治疗的患者仅为 33%345。
3. PReDICT 的二期及复发分析：在 PReDICT 的二期研究中，对一期未缓解的患者给予联合治疗。研究发现，一期治疗不匹配（二期匹配）的患者在二期治疗中 HAMD - Outcome 下降幅度更大。同时，一期治疗不匹配的患者复发率显著高于匹配患者。这表明接受匹配的推荐治疗不仅能改善当下治疗效果，还能降低复发风险678。
4. PET - predictor 样本中的 PLSR 分析：将 PReDICT 样本中得出的算法应用于 PET - predictor 样本，CBT 预测变量能解释 9.0% 的 HAMD - Outcome 方差，预测缓解的平衡准确率为 66%；ADM 预测变量解释 23.7% 的方差，平衡准确率为 69%。总体预测平衡准确率为 67.5%。虽然预测能力在该样本中有所下降，但仍能有效区分接受推荐治疗和未接受推荐治疗患者的治疗效果910。
5. PET - predictor 样本中的模拟治疗推荐：在 PET - predictor 样本中应用与 PReDICT 样本相同的方法进行模拟治疗推荐，结果再次证实，接受匹配治疗的患者 HAMD - Outcome 得分更低，缓解率更高。如接受推荐治疗的患者缓解率为 70%，未接受推荐治疗的患者仅为 31%，这表明该治疗推荐工具在独立样本中同样具有有效性111213。

研究结论与讨论

这项研究通过运用 PLSR 算法，成功预测了 CBT、度洛西汀和艾司西酞普兰的治疗结果，并开发出治疗推荐工具。研究结果表明，接受匹配推荐治疗的患者在治疗效果、缓解率和复发率等方面均优于未接受推荐治疗的患者。而且，该治疗推荐工具在独立样本中的外部验证也显示出其具有指导 CBT 和 ADM 治疗决策的巨大潜在价值。

与以往研究相比，此次研究有诸多创新之处。首先，利用同一组变量开发并验证了预测 CBT 和抗抑郁药物治疗反应的算法，且这些变量均来自常见的临床测量和人口统计学信息，便于临床应用。其次，开发了推荐 CBT 或 ADM 治疗 MDD 的工具，有望节省患者和医生的时间、费用和精力。再者，发现接受匹配推荐治疗的患者复发可能性更低，为理解抑郁症复发机制提供了新视角。最后，首次将 PLSR 应用于 MDD 治疗预测，并建立了一套可推广的分析流程。

然而，该研究也存在一些局限性。例如，缺乏接受度洛西汀治疗患者的验证样本；样本存在排除标准，可能限制了研究结果对特定人群的适用性；其他 ML 方法或许能提供更好的性能；样本量相对较小，可能导致模型过拟合等问题。

尽管如此，这项研究为 MDD 个性化治疗带来了新的曙光。未来研究可进一步扩大样本量，验证该工具在不同治疗方式、患者群体和医疗环境中的有效性，还可结合基因组学、脑成像和脑电图等技术，更全面地提升治疗反应预测的准确性，为抑郁症患者带来更多希望。