基于多模态机器学习的重度抑郁症复发预测

《JAMA Psychiatry》：Multimodal Machine Learning–Based Prediction of Relapse in Major Depressive Disorder

　　**关键点****问题** 与单一数据模态相比，基于机器学习的多数据模态整合能否改善重度抑郁症复发预测？**发现** 在这项预后研究中，对564名重度抑郁症患者进行了2年内抑郁复发的预测，最高分类准确率为64.43%。表现最佳的分类模型仅依赖于1个模态且包含少量临床特征；整合结构神经影像、功能神经影像、遗传学、神经认知、血液标志物和肠道微生物组等额外模态并未改善复发预测。**意义** 多模态模型未能超越单模态临床模型的预测效果，同时个体层面的复发预后价值仍然有限。---**摘要****重要性** 早期识别高危复发患者是重度抑郁症（MDD）个性化预防策略的关键。然而，当前的预测模型未能充分纳入导致MDD复发的多模态因素，也无法提供具有临床意义的预测结果。**目的** 通过利用一种前所未有的多模态数据集的综合性机器学习流程，预测MDD患者2年内的复发情况。**设计、设置与参与者** 本自然纵向预后研究使用了马尔堡-明斯特情感障碍队列研究的数据，基线评估数据采集时间为2014年10月至2019年5月，随访约2年（2016年10月至2021年6月）。数据分析于2024年7月至2026年6月进行。研究在德国两个中心（马尔堡和明斯特）开展，参与者来自精神科住院和门诊部门及一般人群。纳入标准包括符合当前或既往MDD诊断标准且无神经系统疾病或严重躯体疾病病史的患者。**暴露** MDD患者的疾病自然进程。**主要结局与测量指标** 2年随访期间复发与未复发的二分类预测平衡准确率（BACC）作为主要结局指标。基线特征包含9个模态，包括临床和心理测量数据、4种结构和功能性磁共振成像模态、遗传学、神经认知、血液标志物及肠道微生物组。**结果** 共纳入564名当前或既往诊断为MDD的患者（女性367名，占65.1%；平均[标准差]年龄37.34 [13.38]岁）。2年随访期间，共有270名患者复发，294名未复发。复发预测的平均（标准差）BACC范围为47.21%（5.85%）至64.43%（6.63%）。表现最佳的模型仅基于少量临床复发风险因素，多模态数据整合并未改善预测性能。**结论与相关性** 在这项预后研究中，模型达到了中等准确率，但结果表明其在指导个体层面临床决策方面的应用范围有限。预测性能主要由已有的临床风险因素驱动，表明在单一时间点评估时，多模态测量指标的增量价值有限。未来的研究进展可能更受益于动态建模方法，即更紧密地将随时间演变的多模态标记物与纵向临床结局相吻合。