预测青少年对学校正念教育的反应：MYRIAD试验的二次分析

《JAMA Psychiatry》：Predicting Adolescent Response to School-Based Mindfulness: A Secondary Analysis of the MYRIAD Trial

机器学习识别青少年正念训练受益群体但临床效果微弱，揭示普遍学校预防中个性化挑战。

　　

关键点

问题　　机器学习能否识别出哪些青少年从基于学校的正念训练中获益更多，而不是从标准的社会情感教育中获益更多？

研究结果　　在这项针对84所英国学校中8376名青少年的Cluster试验的二次分析中，机器学习发现了一个亚组，他们在抑郁症状的变化上存在统计学上的显著差异，但这些差异在临床上并不明显。具体来说，根据基线特征预测会从正念训练中获益的青少年确实表现出显著更好的结果，但在各种比较中这种效果微乎其微。

意义　　尽管在大量青少年中使用了两种互补的机器学习方法，但个性化处理带来的临床效益仍然微不足道，这突显了在普遍性的学校预防项目中实现具有临床意义的个性化处理的挑战。

摘要

重要性　　抑郁症最常见于青少年时期，因此早期预防至关重要。虽然基于学校的正念训练（SBMT）提供了一种可扩展的预防方法，并且覆盖范围广泛，但其有效性的证据尚不明确，因此有理由采取更加个性化的预防措施。

目标　　根据基线特征开发一种数据驱动的算法，以预测哪些青少年最有可能从SBMT中获益。

设计、研究环境和参与者　　“My Resilience in Adolescence”（MYRIAD）Cluster随机临床试验于2016年10月至2018年7月进行。在这项二次分析中，使用学校层面的嵌套交叉验证来训练和评估机器学习模型，以预测个体从SBMT中获得的个性化益处。参与者是来自英格兰、苏格兰、威尔士和北爱尔兰具有广泛代表性的中学的11至13岁学生。数据分析工作在2023年4月至2025年10月期间完成。

干预措施　　SBMT通过心理教育、课堂讨论和实践教授核心正念技能，而标准的社会情感学习则保持原有教学方式。

主要结果和测量指标　　使用流行病学研究中心的抑郁量表（Center for Epidemiologic Studies Depression scale）测量干预前后的抑郁症状变化。因果森林（CF）和弹性网络回归（ENR）模型计算了个性化优势指数得分，以量化个体从SBMT中预期的益处与常规教学相比的差异。

结果　　在来自84所英国中学的8376名青少年中，基线时的平均年龄为12.2岁（标准差0.6岁）；其中女性参与者4509人（54.9%），男性参与者3547人（43.2%）。因果森林模型显示出可接受的校准效果（最佳线性预测器的平均标准误差为0.78 [0.15]），而弹性网络回归模型的预测性能较为一般（相关系数r = 0.29；R2 = 0.09；均方根误差为10.3）。两种模型都识别出一组预计会从SBMT中获益的青少年，但各组之间的结果差异微乎其微（因果森林模型：d = 0.07；95%置信区间0.02-0.12；P = 0.007；弹性网络模型：d = 0.08；95%置信区间0.02-0.13；P = 0.004）。因果森林模型中最重要的预测因素包括症状严重程度（例如，轻度至中度的抑郁和焦虑症状预示着更大的SBMT益处）以及一些具有非线性模式的学校因素。弹性网络模型则更强调学校层面的特征，但区分度较低。

结论和相关性　　本研究发现，机器学习识别出一个在干预反应上存在统计学上可检测但临床上不显著的差异的亚组。这些发现突显了在普遍性的学校预防项目中实现具有临床意义的个性化处理的重大挑战。

试验注册　　isrctn.org 标识符：ISRCTN86619085