互联网认知行为疗法治疗抑郁焦虑后症状严重程度的临床、遗传及社会人口学预测因素研究

【字体: 时间:2025年05月31日 来源:BMC Psychiatry 3.4

编辑推荐:

  为探究 ICBT 治疗抑郁、焦虑后症状严重程度的预测因素,研究人员基于瑞典 MULTI-PSYCH 数据库,纳入 2668 例患者,对比基线模型与全模型。发现共病 ASD、ADHD 等是新预测因子,全模型解释力提升至 34%,为个性化干预提供依据。

  在现代心理健康领域,互联网认知行为疗法(ICBT)因其有效性和可及性,成为轻中度抑郁和焦虑障碍的重要治疗手段。然而,仍有高达 50% 的患者在接受 ICBT 后未能获得足够的症状缓解,这不仅影响患者生活质量,也给医疗资源带来巨大负担。如何精准识别治疗效果不佳的患者,制定个性化干预方案,避免治疗失败并降低医疗成本,成为亟待解决的关键问题。
为了攻克这一难题,瑞典卡罗林斯卡学院(Karolinska Institutet)的研究人员开展了一项具有重要临床意义的研究。该研究以 “Clinical, genetic, and sociodemographic predictors of symptom severity after internet-delivered cognitive behavioural therapy for depression and anxiety” 为题,发表在《BMC Psychiatry》上。

研究人员利用瑞典多模态数据库 MULTI-PSYCH,对 2668 例接受 ICBT 治疗的重度抑郁症(MDD)、惊恐障碍(PD)和社交焦虑障碍(SAD)患者进行分析。研究采用两种线性回归模型:仅包含 6 个已确立预测因子的基线模型,以及纳入 6 个临床、32 个注册数据预测因子和 7 种精神疾病及特质多基因风险评分(PRS)的全模型。通过双变量关联评估预测因子重要性,并比较模型对治疗后症状评分的解释方差。

研究主要运用了以下关键技术方法:一是依托瑞典完善的全国性注册系统,获取包括就业、收入、医疗诊断等在内的高质量 register-based 数据;二是通过基因分型和 PRS-CS 方法构建七种特质(MDD、ADHD、ASD 等)的多基因风险评分;三是采用多重插补(mice 包)处理缺失数据,以提高分析的准确性和可靠性;四是运用线性回归模型进行统计分析,比较不同模型的解释力。

预测因子分析


通过双变量和多变量回归分析,研究识别出多个与治疗后症状严重程度相关的预测因子。临床因素方面,治疗前症状 severity 是最强预测因子,其在调整模型中仍显著(β=0.51, 95% CI [0.47, 0.55])。共病自闭症谱系障碍(ASD)和注意力缺陷多动障碍(ADHD)的患者治疗后症状更严重(β 分别为 24.98 和 15.98, p<0.001),且这一关联在调整模型中持续存在。此外,有精神疾病家族史、既往使用精神药物(如抗抑郁药、镇静催眠药)的患者预后较差。社会人口学因素中,未接受大学教育、失业、领取经济补助及低收入人群治疗后症状更严重,女性患者治疗后症状相对较轻。遗传因素方面,七种 PRS 与治疗结果均无显著关联。

模型性能比较


基线模型解释了 27% 的方差,而全模型解释方差提升至 34%。尽管多基因风险评分对模型性能贡献甚微,但纳入丰富的 register-based 数据(如就业状态、收入、既往诊断等)显著提高了模型的解释力。全模型的 AIC 和 RMSE 均优于基线模型,表明整合多模态数据能更全面地预测治疗后症状 severity。

探索性分析


以症状变化为结局的探索性分析显示,其预测因子与治疗后症状 severity 有所不同。基线 severity 对症状变化无显著影响,而婚姻状况、经济补助领取情况、共病 ASD/ADHD 及部分精神药物使用则与症状变化相关,提示两者是不同的临床特征。

研究结果表明,整合临床、社会人口学和遗传数据的多模态模型,相比仅使用有限临床指标的模型,能更好地解释 ICBT 治疗后的症状严重程度。新识别的预测因子,如共病 ASD、ADHD,领取经济补助和既往使用精神药物等,为临床识别高风险患者提供了新方向。尽管多基因风险评分在本研究中未显示预测价值,但研究强调了使用机器学习算法捕捉复杂非线性关联和交互作用的必要性,这将是未来提升预测准确性的关键步骤。

该研究不仅验证了治疗前症状 severity、社会经济地位等已确立预测因子的重要性,还发现了共病神经发育障碍等新的预后因素。研究结果为临床实践中制定个性化治疗方案提供了实证依据,有助于 clinicians 早期识别治疗应答不佳的患者,及时调整干预策略,如为共病 ASD/ADHD 患者提供适应性更强的治疗模式,或联合社会服务改善低收入患者的治疗结局。此外,研究揭示了多模态数据在预测治疗结局中的潜在价值,为推动精准精神病学的发展奠定了基础。未来研究可进一步探索机器学习模型在整合海量生物和社会数据中的应用,以实现更精准的个体水平预测,优化心理健康服务的资源分配和治疗效果。
相关新闻
生物通微信公众号
微信
新浪微博
  • 急聘职位
  • 高薪职位

知名企业招聘

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号