整合ThinkApp使用特征与临床变量的机器学习模型对首发精神病（FEP）6个月结局的预测增益：一项探索性分析

《Journal of Psychiatric Research》：Can a mobile app improve prognostic accuracy in first episode psychosis? Evidence from ThinkApp using a Machine Learning Approach

　　

背景：基于移动应用（mobile app）的首发精神病（first-episode psychosis, FEP）干预可延伸照护，但参与度异质性使哪些组件驱动获益仍不清楚。整合临床变量与应用使用数据的机器学习（machine learning, ML）模型可能阐明轨迹并指导设计。本研究旨在识别接受FEP青少年移动干预（ThinkApp）的用户画像与使用模式，并检验加入使用特征是否改善6个月结局预测。方法：将基线临床与社会人口学变量与参与度指标合并。对使用数据应用聚类方法以探索参与画像。研究人员在仅基线特征集与富集（基线+应用）特征集上训练回归模型，采用Huber回归（Huber Regression）、随机森林（Random Forest）和随机抽样一致（RANSAC），并进行标准化预处理、特征选择与交叉验证评估。结果：研究人员分析了26名参与者（平均年龄=22.60）。出现3个聚类；总使用时间与聚类归属的映射最强，心理教育（psychoeducation）活动与参与度相关（r = ?0.82）。基线年龄与登录频率呈负相关（r = ?0.53），但与总使用时间无关。以ThinkApp特征富集模型改善了6个月预测，最大增益见于阳性与阴性症状量表（Positive and Negative Syndrome Scale, PANSS）阳性量表（PANSS Positive Scale）（ΔR² = 0.085）。观看心理教育视频数量是最具影响力的预测因素。结论：探索性分析提示，应用参与度指标，尤其心理教育，可能在基线临床与社会人口学变量之外为6个月结局预测增加信息。年龄与访问模式相关，突出在早期精神病中定制数字实施的需要。这些发现需在更大队列中重复后才能确立其临床效用。

该研究围绕首发精神病（first-episode psychosis, FEP；指首次出现精神病性症状并符合相关诊断的早期阶段）的预后预测与数字干预参与问题展开。FEP患者及其家庭和医疗人员需要预测疾病轨迹；已有研究识别了未治疗精神病时长、共病、阴性症状严重度、社会劣势与排斥、不良家庭社会环境、治疗依从性差、病前社会功能差及3个月内未缓解等预后因素，但其预测价值仍不确定。早期干预的效益在治疗结束后难以长期维持，包括复发率初始下降后不能保持，因此需要可及、个体化、促进参与并维持早期干预获益的干预方式。移动技术可减少地理和时间障碍、促进持续症状监测、按个体需要调整治疗、改善依从性和临床结局并减少病耻感；健康移动应用可能以更直接、周期性和不受限的方式维持精神病患者早期干预后的长期稳定。尽管已知多种FEP病程影响因素，机器学习（machine learning, ML）可增强预测并提高预后因素的临床效用。数字健康领域极少有研究对干预自身产生的使用日志应用先进预测方法；Horyzons研究是最接近的先例，但未建立个体化预后模型，且依赖事后群体水平关联，未纳入基线临床特征或用户报告满意度指标。因此，尚无研究采用监督ML技术，基于移动应用使用数据结合临床变量和满意度体验指标，在个体水平预测FEP的症状、功能和生活质量轨迹。该研究目的为：识别ThinkApp使用相关患者画像；确定在社会人口学和临床数据中加入满意度与使用数据是否改善6个月临床结局预测；分析应用使用数据是否在既定临床预测因素之外提供增量预测信息。研究人员开展了一项多中心、单盲、两臂随机对照设计研究，6个月随访，2020年6月至2024年10月进行，注册号NCT03161249。参与者随机接受常规治疗（treatment as usual, TAU）加ThinkApp（干预组，n=26）或单独TAU（对照组，n=24）；本报告分析仅限ThinkApp组。26名FEP参与者于2020—2022年从Hospital General Universitario Gregorio Mara?ón、Hospital Ramón y Cajal、马德里AMAFE Foundation和巴塞罗那Parc Sanitari Sant Joan de Déu招募。ThinkApp为12周移动应用心理干预，可不受限按需访问并建议每日使用，含5个模块：心理教育模块含12个临床医生制作的短视频及5项问卷；症状识别与复发预防模块含自我监测问卷、自动反馈和提醒；正念模块提供音频练习；问题解决模块允许发布困难并与同伴交换解决方案；联系墙模块提供有主持的社交空间。评估在基线、治疗后3个月和6个月随访进行。主要结局为阳性与阴性症状量表（Positive and Negative Syndrome Scale, PANSS）、世界卫生组织生活质量量表简版（WHOQoL-BREF）总体生活质量条目和全球功能评估（Global Assessment of Functioning, GAF）；次要结局包括3个月后ThinkApp使用与满意度。关键技术方法可概括为：样本为2020—2022年从上述四家马德里和巴塞罗那机构招募的26例FEP患者。研究人员合并基线临床社会人口学变量与ThinkApp使用指标；用K-means、基于密度的空间聚类（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）、点排序识别聚类结构（Ordering Points To Identify the Clustering Structure, OPTICS）和高斯混合模型（Gaussian Mixture Models, GMM）聚类，以肘部法和轮廓系数探索k，主成分分析（principal component analysis, PCA）二维展示并检验聚类与使用、满意度、社会人口学相关；ML比较基线特征集与基线+应用特征集，经均值插补、独热编码、单变量检验选前10变量和z标准化，采用Huber回归、随机森林和随机抽样一致（RANSAC），以5折交叉验证的R²、MSE、MAE评估并防泄漏。研究结果如下。3.1 临床结果：通过线性混合效应模型（linear mixed-effects model, LMM）分析ThinkApp组基线、3个月和6个月临床结局，结果显示症状学存在显著时间主效应，3个月和6个月评分低于基线；生活质量和功能未见显著变化。原文明确指出这些组内轨迹不应解释为ThinkApp疗效证据。3.2 临床聚类分析：基于肘部法和轮廓系数，最佳聚类数为k=3。通过K-means、DBSCAN、OPTICS和GMM比较，多个算法中均出现一个小的、内聚的独立聚类，PCA投影右下区域也有类似模式；其余数据随算法变化，提示剩余观察倾向分成两个较宽泛组，但边界不稳定。相关性分析显示，总应用使用时间比登录频率更强地关联聚类归属；心理教育模块使用时间与聚类归属的绝对相关最高之一（K-means r = ?0.82），高于其余使用指标；模块内存在逻辑相关，如联系墙模块时间越长，分享帖子数越多。社会人口学方面，基线年龄与症状起病年龄高度相关（r = 0.9）；基线年龄与登录频率负相关（r = ?0.53），但与总应用使用时间相关很小（r = ?0.05）。满意度变量未见有意义关联。3.3 机器学习方法用于6个月结局预测：通过比较基线特征集与加入ThinkApp使用数据后的交叉验证R²，研究人员发现加入应用使用数据改善6个月预测，最大增益见于PANSS阳性量表（ΔR² = 0.085，即解释方差提高8.5个百分点），GAF有小幅改善（ΔR² = 0.015），WHOQoL-BREF增益可忽略（ΔR² < 0.001）。进一步分析PANSS阳性量表的app使用特征重要性，心理教育视频观看数是最有影响的预测因素（Importance = 0.381），明显高于其他主要为时间型使用指标，但后者仍贡献预测能力。讨论部分总结认为，整合ThinkApp提取的数字参与变量，尤其模块特定使用时间，可能增强对FEP青年6个月随访阳性症状的预测；富集模型在三个结局上交叉验证表现数值上高于仅基线模型，但仅PANSS阳性症状的增益有意义，生活质量增益可忽略。聚类分析趋同于一个小的、持续 delineated 亚组，其特征为高应用使用、密集心理教育模块互动和相对一致的症状过程，与Horyzons研究相似；该研究中登录频率在考虑总使用时间后提供很少额外信息，提示持续而非碎片化参与的价值；社会人口学变量和自报满意度未实质影响聚类或预测。讨论指出，从移动干预被动收集的行为信号可补充精神病复发和症状持续的传统临床预测因素；心理教育模块暴露的强预测贡献可能反映更高洞察力和对复发预防策略的依从性；登录访问影响较弱提示时间、质量和参与深度而非访问频率驱动有临床意义的分化。年龄与登录频率负相关而与总使用时间无关，提示较年长参与者登录较少但每次停留更长。临床意义方面，当前探索阶段实际意义限于识别未来验证的候选应用参与变量；应用使用指标应视为需前瞻性验证的候选预测因素，而非已确立的早期预警信号或指导个体照护、临床分流或资源分配的工具。局限性包括：样本小限制预测模型和聚类解稳定性；缺少折层估计和置信区间；26名参与者和较多候选预测变量使估计和特征重要性排序在重采样中可能大幅变化，所有ML分析应视为探索性和假设生成；基线模型未直接纳入未治疗精神病时长、共病、病前功能、治疗依从性及家庭社会环境，可能夸大app使用指标表观贡献；临床稳定样本症状变异受限；依赖自我发起app互动可能低估不活跃用户；外推至其他数字平台和照护环境待确立；关联为相关性，心理教育暴露与症状改善的方向性需更大队列前瞻研究并调整基线差异。研究结论翻译：探索性分析提示，应用参与度指标，尤其心理教育，可能在基线临床与社会人口学变量之外为6个月结局预测增加信息。年龄与访问模式相关，突出在早期精神病中定制数字实施的需要。这些发现需在更大队列中重复后才能确立其临床效用。