《npj Mental Health Research》:Predictors of depression outcomes among university students following brief smartphone-based interventions
编辑推荐:
为提升大学生抑郁干预的精准性,研究人员开展了“Vibe Up”试验,探讨了基于智能手机的简短数字干预(睡眠卫生、正念、身体活动)对抑郁缓解和应答的预测因素。研究发现,基线抑郁严重程度、生活质量、全科医生就诊频率和干预前可信度是普遍性预测因子,而基线焦虑水平是睡眠卫生干预的处方性预测因子。该研究为个性化数字心理健康干预提供了证据,有助于优化大学生抑郁治疗方案。
在当今社会,抑郁症(Depression)已成为一种普遍的心理健康问题,并且是全球范围内导致残疾的第二大原因。大学生群体尤其面临着较高的抑郁风险,全球约有三分之一的大学生报告有抑郁症状。抑郁不仅与严重精神障碍的发展相关,还与一系列不良后果紧密相连,包括学业表现不佳、辍学、物质滥用增加以及自杀意念和行为风险升高。然而,由于等待时间长、费用高昂以及专业临床医生短缺等因素,许多学生仍然无法获得他们所需的传统心理治疗(如认知行为疗法,CBT)或药物治疗。为了突破这些限制,通过便捷的数字平台(如智能手机)提供生活方式或心理干预(例如睡眠卫生、正念和身体活动)的数字干预措施受到了越来越多的关注。尽管如此,这些干预措施的效果在个体间存在差异,这突显了需要更好地理解如何实现个性化治疗。识别数字干预后抑郁缓解(Remission)和应答(Response)的预测因子至关重要,因为这有助于区分对不同干预措施反应不同的患者亚组,从而实现更精准和个性化的护理。
为了填补这一研究空白,本研究利用了来自“Vibe Up”试验的数据。这是一项人工智能(AI)增强的自适应试验,旨在比较三种简短的自我指导数字干预(睡眠卫生、正念和身体活动)与生态瞬时评估(Ecological Momentary Assessment, EMA)控制条件,在减轻大学生心理困扰(抑郁、焦虑或压力症状)方面的有效性。本研究作为二次分析,聚焦于队列中最普遍的症状领域——抑郁,旨在识别抑郁改善的预后性(Prognostic)和处方性(Prescriptive)预测因子,以期为大学生抑郁的简短数字干预提供更个性化和有效的证据基础。
本研究发表在《npj Mental Health Research》上。研究人员开展了一项针对1282名澳大利亚大学生(平均年龄23.52岁;78.39%为女性)的AI增强型“Vibe Up”适应性随机临床试验。在为期两周的监测期后,参与者被随机分配接受为期两周的自我指导智能手机干预,目标分别为睡眠卫生、正念、身体活动,或作为对照的EMA干预。研究采用分层逻辑回归(Hierarchical Logistic Regression)方法,考察了抑郁缓解(定义为干预后DASS-21抑郁分量表分数处于正常范围)和应答(定义为抑郁症状从基线到干预后减少≥50%)的预测因素。数据处理中,对缺失数据采用了链式方程的多重插补法(Multiple Imputation by Chained Equations, MICE)。研究评估了包括人口统计学、临床特征(如基线抑郁/焦虑严重程度)、心理健康服务使用(全科医生就诊频率)、心理社会因素(如感知社会支持、生活质量)、治疗相关信念(可信度、期望)以及身份相关变量(如LGBTQA+状态、CALD背景)在内的广泛预测因子。
结果
基线特征与缓解/应答率
样本包括1282名有轻度至重度心理困扰的大学生。干预后,40.87%的参与者达到缓解标准,29.88%达到应答标准。与EMA对照组相比,所有三个主动干预组(睡眠卫生、正念、身体活动)的应答几率均显著更高。
抑郁缓解的预后预测因子
通过分层逻辑回归模型分析发现:
- •
人口统计学因素:较高的社会经济地位(SES)与较高的缓解几率相关。
- •
临床与心理社会因素:较低的基线抑郁严重程度、较少的精神健康相关全科医生(GP)就诊频率以及较高的生活质量,与较高的缓解几率显著相关。在调整了治疗信念和身份变量后,较低的基线抑郁严重程度和较高的生活质量仍然是缓解的显著预测因子。
- •
亚组分析:按基线困扰严重程度(轻度、中度、重度)分组分析显示,基线抑郁严重程度在所有组别中都是一致的缓解负向预测因子。在重度困扰组中,较高的感知社会支持与较高的缓解几率相关。
抑郁应答的预后预测因子
分析显示:
- •
临床因素:较低的基线抑郁严重程度和较少的精神健康相关GP就诊频率,与较高的应答几率显著相关。
- •
治疗相关因素:较高的干预前治疗可信度与较高的应答几率显著相关。
- •
亚组分析:基线抑郁严重程度在中度和重度组中是显著的应答负向预测因子,在轻度组中关联边际显著。更多的GP就诊频率在中度组中是显著的应答负向预测因子。
缓解的处方预测因子(调节效应)
研究发现基线焦虑严重程度与治疗条件(特别是睡眠卫生干预)之间存在显著的交互作用。具体而言,较高的基线焦虑水平会降低睡眠卫生干预带来缓解的几率。探索性配对对比表明,在较高焦虑水平下,睡眠卫生干预的缓解几率显著低于身体活动和正念干预,有时甚至低于EMA对照组。图示了不同干预条件下,随着基线焦虑严重程度增加,缓解概率的变化趋势,睡眠卫生组呈现更陡峭的下降。
应答的处方预测因子(调节效应)
对于应答结局,也观察到了类似的模式,即较高的基线焦虑水平会边际显著地降低睡眠卫生干预的应答几率。在较高焦虑水平下,睡眠卫生干预的应答几率显著低于身体活动和正念干预。
敏感性分析与补充分析
敏感性分析排除了基线抑郁已处于正常范围的参与者,结果与全样本一致。补充分析聚焦于整体心理困扰(而非单独抑郁)的缓解和应答,预测因子模式大体相似,但也存在一些细微差异。
结论与讨论
本研究旨在识别大学生在接受简短数字干预后,抑郁缓解和应答的关键预后性和处方性预测因子。研究发现,基线抑郁严重程度是贯穿不同结局的最一致的预后预测因子,严重程度越高,缓解和应答的几率越低。此外,较好的生活质量、较少的精神健康相关GP就诊以及较高的干预前治疗可信度也与更好的结局相关。在处方性预测方面,较高的基线焦虑水平特异性地预示着睡眠卫生干预的效果较差,而对于身体活动和正念干预则无此效应。
研究结果表明,缓解(达到低绝对症状阈值)比应答(症状比例减少)更容易预测,且可能代表了更稳定、临床意义更明确的终点。两者可能需要不同的预测模型。基线抑郁严重程度、GP就诊频率等预测因子在不同基线困扰严重程度的亚组中重要性可能不同,提示需要根据个体基线严重程度制定特异性的预测模型和干预策略。关于睡眠卫生干预对高焦虑个体效果较差的发现,可能与焦虑对睡眠质量的负面影响及自我指导睡眠卫生干预的局限性有关,未来或需为这类人群提供更结构化的干预(如针对失眠的认知行为疗法,CBT-I)。
尽管本研究的预测模型(尤其是针对应答的模型)仅解释了有限的结果变异,但它强调了在大学生抑郁的简短数字干预中,考虑个体水平因素(如症状严重程度、共病焦虑、生活质量、治疗信念)对于指导更精准护理的重要性。该研究为基于预测的个性化数字心理健康干预提供了初步证据,并指出结合轨迹(即早期症状变化)的测量方法可能有助于提高预测的准确性。未来研究需进一步验证和标准化相关预测因子,并探索数据驱动模型以优化大学生抑郁的个性化治疗策略。