智能手机认知行为疗法的个性化优化算法：基于五项核心技能对阈下抑郁患者的精准干预研究

日本研究团队通过RESILIENT随机对照试验（n=4469），开发了基于机器学习算法的个性化优化疗法（POT），针对智能手机认知行为疗法（iCBT）中的五项核心技能（BA/CR/PS/AT/BI）进行精准匹配。研究显示，该算法可使PHQ-9抑郁量表评分较对照组多降低1.41分（SMD=-0.37），疗效提升35%，为数字心理健康干预的精准化提供了重要范式。

　　

抑郁症状谱系从轻微到严重构成全球第二大残疾负担，其中阈下抑郁（未达临床诊断标准但存在症状）因高患病率（研究中占人群54.6%）和进展风险（较无症状者高3倍）备受关注。传统心理治疗虽有效，但近半数患者仍持续存在症状，且现有干预多采用"一刀切"模式。如何通过精准匹配治疗技能与个体特征提升疗效，成为数字心理健康领域的关键科学问题。

研究团队在《npj Digital Medicine》发表了一项开创性工作，通过日本RESILIENT试验（UMIN000047124）构建个性化优化疗法（POT）算法。该研究招募4469名18岁以上PHQ-9评分0-14（排除10-14分伴自杀倾向）的参与者，随机分配至行为激活（BA）、认知重构（CR）、问题解决（PS）、 assertion训练（AT）、失眠行为疗法（BI）等9种单技能或组合干预组，或健康信息对照组（HI）。采用LASSO机器学习模型整合30+基线变量（包括人格特质、童年逆境、技能掌握度等）和早期治疗反应数据，预测26周时PHQ-9变化，最终形成治疗推荐算法。

主要技术方法包括：1）多中心随机对照试验设计，分层控制基线抑郁程度（PHQ-9≤4 vs ≥5）和就业状态；2）使用混合效应重复测量模型（MMRM）评估干预效果；3）通过10折交叉验证开发三种LASSO预测模型（仅基线变量/加入周1-2PHQ-9/加入缺失指标）；4）采用模拟随机比较评估POT算法相对于群体最佳治疗（BA+CR）的增量效益。

研究结果：

Group average outcomes

所有干预组均显示显著效果，PHQ-9变化效应量从BA+CR的-0.25（95%CI: -0.37至-0.13）到PS的-0.10（-0.23至0.02）。

Performances of prediction models

加入早期治疗反应的Model 2/3预测精度最高（R=0.57），平均绝对误差2.26分。基线PHQ-9既是强预后因子（PF）也是弱效应修饰因子（EM），较高基线分者更受益于组合技能。

POT algorithms and their validation

最终算法推荐：PHQ-9≤4者接受AT或BI单技能，≥5者接受BA+CR/BA+PS/BA+AT组合。模拟显示POT组较HI多降低1.41分（95%CI: -1.91至-0.90），较群体最佳治疗（BA+CR）多降低0.37分，疗效提升35%。

结论与意义：

该研究首次构建了从多种有效干预中优选方案的精准医疗算法，突破传统"单干预vs对照"或"双干预比较"的局限。临床价值体现在：1）证实基线抑郁程度可作为技能组合选择的决策节点；2）早期治疗反应数据提升预测精度；3）算法可实现自动化部署（15-20分钟基线评估）。局限性包括需外部随机验证、未涵盖中重度抑郁人群等。这项研究为开发"动态调整型"数字疗法奠定基础，推动心理健康干预进入精准化时代。