综述：应用机器学习方法预测创伤后应激障碍心理治疗结果的系统评价

这篇综述系统评价了17项应用机器学习（ML）预测创伤后应激障碍（PTSD）心理治疗结局的研究，揭示了当前研究普遍存在样本量不足（训练样本N<36–397）、高偏倚风险及方法学缺陷（如仅1项研究完成外部验证）。尽管ML在精准心理治疗（如CPT、PE、EMDR）中潜力显著，但需严格遵循ML流程（如超参数调优、交叉验证）以提升临床实用性。

　　

Abstract

创伤后应激障碍（PTSD）作为一种慢性精神疾病，全球成人患病率约4^%
，低收入人群发病率更高。尽管认知加工疗法（CPT）、长时间暴露（PE）和眼动脱敏与再加工（EMDR）等一线疗法在随机对照试验（RCT）中显示大效应量（如PE vs 等待列表），但临床实践中非应答率高达20^%
-92^%
，且脱落率显著（EMDR 18^%
，CPT 30^%
）。机器学习（ML）通过处理非线性关系（如随机森林）和预测变量选择（如弹性网络），有望优化治疗分配。

Methods

本预注册系统评价（CRD42022325021）纳入17项研究，采用PROBAST工具评估偏倚风险。结果显示，所有研究均存在高偏倚风险，主因样本量不足（最小N<36）和缺乏样本量计算。仅1项研究完成外部验证（ML证据等级3），其余多停留在内部交叉验证（等级2）。方法学异质性突出，如超参数调优报告不一致，5项研究采用无监督ML（如聚类分析），其余为监督学习（如决策树）。

Results

研究样本多源自RCT和观察性设计，训练集规模差异大（N=36–397）。ML方法多样，包括集成学习（如随机森林）和提升技术（如XGBoost），但模型性能受限于过拟合。关键发现包括：

1. 预测靶点：症状变化（如PCL-5评分）、脱落风险；
2. 预测因子：基线临床特征（如亚型"威胁反应性"vs"烦躁性"）、人口统计学；
3. 局限：仅Zhutovsky等（2019）实现外部验证，其余模型泛化性存疑。

Discussion

ML为PTSD精准治疗提供新范式，但当前研究距临床转化仍有差距。未来需：

1. 遵循ML流程六步骤（含样本量计算和外部验证）；
2. 探索生物标志物与临床数据的多模态整合；
3. 解决创伤聚焦疗法"高效但高脱落"的悖论。正如Deisenhofer等（2018）的算法所示，基于患者特征匹配疗法（如Tf-CBT vs EMDR）可提升应答率，但需更大样本验证。

创新与局限

首次系统评估ML在PTSD治疗预测中的应用，但纳入研究质量参差。值得注意的是，ESRC资助的本研究强调开放科学（CC BY许可），为后续研究提供方法学基准。