编辑推荐：
为解决精神疾病个性化治疗数据难题，研究人员开展 MCT 治疗数据协调研究，构建数据库，助力个性化治疗。
在当今医疗领域，个性化医疗逐渐成为热门话题，它就像一把精准的钥匙，试图打开针对不同患者的专属治疗之门。传统医疗往往是 “一刀切”，从群体平均水平出发进行治疗，然而每个患者都是独一无二的个体，有着不同的基因、生活环境和心理状态，这种通用的治疗方式很难满足患者的个性化需求。在精神疾病治疗方面，这一问题尤为突出。
精神疾病是全球性的重大公共卫生问题，给患者的健康和社会经济都带来了沉重负担。以精神分裂症为例，约 2% 的欧洲人口受其影响。患者不仅会出现妄想、幻觉等核心症状，认知和情感领域也会受到波及，导致严重的残疾和高昂的社会成本，如工作缺勤和提前退休等。虽然抗精神病药物被广泛使用，但效果却不尽如人意，而心理治疗在改善症状方面展现出了独特的优势，即使不依赖药物也能发挥作用。
元认知训练（Metacognitive Training，MCT）便是一种针对精神疾病的心理治疗方法，它旨在通过靶向认知偏差来减轻精神分裂症的阳性症状，涵盖了归因风格、急于下结论偏差、确认偏差等多个模块。多项研究表明，MCT 在减少妄想、幻觉和认知偏差，改善自尊和功能方面有一定效果。然而，MCT 在个性化治疗中的应用面临着挑战。利用机器学习（Machine Learning，ML）构建预测模型来实现个性化 MCT，需要大量的数据来反映患者的多样性和对治疗的不同反应，但此前尚无研究基于 ML 开发预测 MCT 有效性和实现个性化治疗的模型。
为了解决这些问题，来自欧洲多个研究机构的研究人员，包括西班牙加泰罗尼亚理工大学（Universitat Politècnica de Catalunya，UPC）、德国汉堡 - 埃彭多夫大学医学中心（University Medical Center Hamburg-Eppendorf，UKE）、波兰科学院（Polish Academy of Sciences，PAoS）等，在欧洲 ERAPERMED 2022 - 292 研究项目 “Towards a Personalized Medicine Approach to Psychological Treatment of Psychosis（PERMEPSY）” 的框架下开展研究。该项目聚焦于开发治疗精神疾病的个性化医学平台，而本研究的重点是进行数据协调，构建 MCT 治疗患者的统一回顾性数据库。研究成果发表在《Scientific Reports》上。
研究人员采用了回顾性数据协调的方法。首先，从多个临床合作伙伴处收集了 24 个与 MCT 相关的患者数据集，经过仔细审查，排除了 2 个无关数据集，最终保留 22 个用于后续分析。这些数据集来源广泛，涵盖了不同国家和地区的研究。接着，确定了感兴趣的变量，包括患者的社会人口学信息和临床问卷相关变量，共计 563 个属性。随后，通过 Python 程序进行变量映射和转换，将不同数据集的变量整合到统一的格式中，并对数据进行清洗，最终得到了包含 698 名患者信息的协调数据库。
在社会人口学变量方面，数据库记录了患者的年龄、性别、婚姻状况、生活状态、就业状况、教育程度、疾病诊断、患病时长以及物质消费情况等信息。例如，性别分为男性和女性，年龄以年为单位记录。
心理指标方面，数据库包含了 MCT 治疗前后的多种心理指标信息，这些指标来自不同的问卷。如阳性和阴性症状量表（Positive and Negative Syndrome Scale，PANSS）用于测量阳性、阴性和一般症状的严重程度；贝克认知洞察量表（Beck Cognitive Insight Scale，BCIS）评估患者的自我反思和自我确定程度；全球功能评估（Global Assessment of Functioning，GAF）衡量疾病对日常生活的影响等。研究人员对这些心理指标进行了详细分析，包括检查数据范围、重新计算分数以及处理缺失值等。
研究人员还对数据进行了探索性分析。在物质使用方面，发现大多数患者（74.5%）使用咖啡因，35.53% 的患者饮酒，54.73% 的患者吸烟，19.34% 的患者使用大麻，6.59% 的患者使用非法药物。同时，分析了不同物质使用行为之间的关联，发现烟草与咖啡因、大麻的使用存在中度关联，而与酒精和非法药物的使用关联较弱。
在诊断和疾病时长分析中，研究人员发现精神分裂症是最常见的诊断，超过 400 例。不同诊断的疾病时长差异较大，如精神分裂样和短暂性精神障碍的疾病时长较短，而精神分裂症和分裂情感性障碍的疾病时长较长。
通过对心理指标的相关性分析，研究人员发现 PANSS 阳性得分与 PSYRATS 妄想和幻觉指标高度相关，GAF 指标与 PANSS 得分呈强负相关，这些结果与各量表测量的内容相符。
研究结论表明，通过系统的数据协调方法，成功整合了来自 22 个研究的多样化信息，构建了包含 698 名患者信息的协调数据库。这为后续利用机器学习等方法开发个性化治疗模型奠定了坚实基础，有助于提高精神疾病治疗的精准性和有效性。同时，研究也发现了一些问题，如心理指标数据存在缺失值，抑郁的二元变量表征可能过于简化等。然而，这些不足也为未来研究指明了方向。未来可采用更先进的数据分析方法，进一步挖掘数据中的潜在信息，优化个性化治疗方案。总之，本研究在精神疾病个性化治疗的数据协调方面迈出了重要一步，对推动精神医学领域的发展具有重要意义。
