移动应用辅助的焦虑症解读偏差修正效果预测因素:一项三组随机对照试验的机器学习分析
《Behavior Therapy》:Predictors of Outcome in Mobile Application-Delivered Interpretation Bias Modification for Health Anxiety: A Machine Learning Analysis of a Three-Arm Randomized Controlled Trial
【字体:
大
中
小
】
时间:2026年07月24日
来源:Behavior Therapy 4.4
编辑推荐:
摘要
背景:通过移动应用实现的解读偏差修正疗法在缓解健康焦虑方面显示出疗效。然而,并非所有患者都能获得最佳治疗效果,且现有研究尚未明确该疗法成功的预测因素。运用精准医学技术,如机器学习,或许有助于更准确地预测治疗结果。
方法:研究对象来自一项三组随机对照试验(共212名
摘要
背景:通过移动应用实现的解读偏差修正疗法在缓解健康焦虑方面显示出疗效。然而,并非所有患者都能获得最佳治疗效果,且现有研究尚未明确该疗法成功的预测因素。运用精准医学技术,如机器学习,或许有助于更准确地预测治疗结果。
方法:研究对象来自一项三组随机对照试验(共212名参与者),包括接受移动应用辅助的解读偏差修正疗法组(70人)、注意力控制组(70人)以及等待名单组(72人)。研究采用了六种机器学习模型,尤其是支持向量机,根据各组的基线临床数据及人口统计学特征来预测健康焦虑的缓解情况。同时通过特征重要性分析,确定对治疗效果最具预测意义的变量。
结果:研究表明,支持向量机在预测治疗组(AUC=0.701)和注意力控制组(AUC=0.857)的改善情况时表现出良好分类性能,而在等待名单组的预测效果则较差(AUC=0.538)。特征重要性分析显示,对特定身体疾病及抑郁症状的灾难化解读更能预测移动应用辅助的解读偏差修正疗法的效果或自然恢复情况,而人口统计学变量则具有较低的预测能力。
结论:这项探索性分析表明,监督式机器学习有助于识别与数字健康焦虑干预效果相关的多变量预测模式。所发现的特定预测因子——即对特定身体疾病及抑郁症状的灾难化解读——可为治疗前的评估提供临床实用的目标,从而助力制定更符合精准医学理念的个性化治疗方案。
引言
健康焦虑是一种常见的心理症状,表现为过度关注自身健康状况,且倾向于将轻微的身体不适视为严重问题,其严重程度可从亚临床担忧到符合疾病焦虑障碍诊断标准的严重状况不等(Aue和Okon-Singer,2020;Axelsson等人,2020)。患有严重健康焦虑的人即便经医学检查未发现明显异常,仍会存在对重病的非理性恐惧。这些症状会显著影响心理健康、损害社交功能、降低生活质量,还会导致医疗资源被过度使用(Hannah等人,2023)。在普通人群中,严重健康焦虑症状的终生患病率为5.7%,并且它常与其他心理问题共存,如焦虑症和抑郁症(Sunderland等人,2013)。因此,有效应对健康焦虑对于提升患者生活质量及减轻公共卫生系统负担至关重要。
通过移动应用实现的解读偏差修正疗法已被证明是治疗健康焦虑的有效方法(Antognelli等人,2020;Du等人,2024)。该疗法通过一系列计算机化任务来改变患者的不良认知模式,具体而言,就是训练患者以更为客观中立的方式解读那些模糊的健康相关情境,从而减少灾难化思维。在早期研究中,Antognelli等人(2020)发现,在澳大利亚招募的健康焦虑患者中,经过两次互联网-based的解读偏差修正疗法干预后,其健康焦虑症状、灾难化归因以及伴随的痛苦情绪均出现显著下降,且治疗组中表现出临床显著改善的参与者比例高于对照组。近期,Du等人(2024)在中国开展了一项更大样本的三组随机对照试验,结果表明,基于移动应用的解读偏差修正疗法能在短期内以及一个月后的随访中,显著降低健康焦虑、灾难化解读、普遍焦虑及抑郁症状,其效果优于注意力控制组和等待名单组。不过,不同患者的治疗效果差异较大,目前尚缺乏明确的预测指标。识别治疗结果的预测因子至关重要。对于临床医生而言,了解患者对治疗产生改善的可能性的大小十分重要。通过研究这些预测因子,医生能够更准确地判断哪些健康焦虑患者最有可能从解读偏差修正疗法中获益,从而优先为这些人提供该治疗。而对于那些不太可能从中受益的患者,则可考虑其他治疗方案,进而实现治疗方案的精准分层。
目前关于健康焦虑领域解读偏差修正疗法治疗结果预测因子的研究还比较有限。仅有一项研究探讨了该疗法效果的预测因子,发现灾难化解读的基线水平以及健康焦虑的严重程度能够显著预测治疗结果,且基线水平越高,治疗后症状缓解的程度越大(Du等人,2024)。而在其他健康焦虑治疗方法的研究中,则发现了不同的预测因子。例如,有研究指出性别会影响注意力再训练的效果,女性患者的症状缓解幅度通常更大(Lee等人,2015)。对于认知行为疗法而言,基线症状与抑郁严重程度以及治疗依从性是关键预测因子,而人口统计学因素的预测作用则相对较弱(Hedman等人,2013、2015)。
来自认知偏差修正研究,尤其是针对焦虑症状的解读偏差修正研究的结果,也揭示了一些潜在的预测因子。在焦虑相关群体中,较低的认知灵活性以及较强的积极意象能力等可调整的心理特质,与更大的解读偏差改善幅度及症状减轻程度相关(Wang等人,2025)。基线焦虑症状的严重程度以及注意力偏差的变化也同样重要,那些基线焦虑程度较高且注意力偏差的神经生理指标变化较大(如P3波幅增加)的个体,往往对注意力偏差修正训练的反应更为显著(Tiwary等人,2022)。此外,一些动态的偏差变化指标,比如训练后负面解读偏差的恢复速度较慢,也被发现能在某些焦虑障碍类型中预测更好的治疗效果,比如公开演讲焦虑(Bouwman等人,2025),不过这一规律并非在所有焦虑领域都成立(Mobach等人,2023)。总体而言,目前针对包括健康焦虑在内的焦虑症,使用解读偏差修正疗法的治疗结果预测因子研究尚未采用监督式机器学习方法,大多仍依赖传统方法来分析有限的预测因子。
鉴于当前精神病学和临床心理学领域正在推进精准医学框架的发展(Hayes等人,2019;Hofmann等人,2020),探讨是否可以利用机器学习方法提升治疗反应的预测精度显得尤为重要。精准医学强调通过识别并利用个体差异来实现个性化治疗,以优化治疗效果(Sitapati等人,2017),而机器学习则为这一目标提供了新的工具。这一研究方向也与越来越多的共识相契合,即机器学习作为一种强大的方法学工具,能够帮助我们超越传统的、往往是线性的建模方式,实现个性化的结果预测,这一转变被认为是提升心理治疗精准度和有效性的关键(Cuijpers等人,2026)。对于通过移动应用提供的治疗而言,确定可靠的治疗结果预测因子尤为重要。与面对面的治疗不同,后者中临床医生或咨询师可以灵活调整治疗方案,而可扩展的数字治疗方案往往较为标准化。因此,明确“谁能从这种特定的治疗方式中获益最多”,对于实现数字心理健康服务的个性化至关重要。支持这一观点的是,最近一项针对认知训练治疗(包括解读偏差和注意力偏差修正)的大规模个体级机器学习元分析发现,基线症状的严重程度是预测治疗效果的关键因素,那些基线焦虑或抑郁程度较高的个体,其症状缓解幅度最大(Richter等人,2025),这充分体现了机器学习在揭示具有临床意义的治疗效果调节因素方面的优势。
然而,尽管在相关领域已取得了这些方法学进展,并证明了其实用性,但仍然存在一个关键缺口:迄今为止,尚无研究开发出专门用于预测针对健康焦虑的解读偏差修正疗法治疗结果的监督式机器学习模型。因此,本研究旨在通过应用监督式机器学习,分析一项针对健康焦虑患者、采用移动应用辅助解读偏差修正疗法的三组随机对照试验中的结果预测因子。具体而言,我们预先选择了支持向量机作为这项探索性研究的主要分析模型。选择支持向量机的原因在于,它在处理多变量、小样本的临床数据时具有方法学上的优势。这与精神病学领域的普遍共识一致,即治疗结果是由复杂的多变量模式而非简单的线性效应决定的(van Dellen,2024),因此支持向量机为这类探索性建模提供了合理的框架。它的边际最大化特性,再加上适当的正则化处理,有助于提升模型的泛化能力,同时降低小样本临床研究中所固有的过拟合风险(Boehmke & Greenwell,2019),而这些正是临床心理治疗试验中常见的限制因素。支持向量机在临床结果预测方面的实际应用价值与有效性已有大量文献证实。例如,Curtiss等人(2023)成功运用支持向量机预测了97名接受躯体变形障碍药物治疗的患者的不同治疗结果,证明了该模型可直接应用于心理健康领域的预测任务。同样,M?nsson等人(2015)也利用支持向量机结合神经影像数据,准确预测了26名社交焦虑障碍患者的长期治疗结果。
在本研究中,我们使用支持向量机来预测患者在接受解读偏差修正疗法或对照条件后的个体改善情况。与Du等人(2024)的研究不同,后者主要侧重于评估群体层面的治疗效果,并采用传统回归方法分别检测少量独立的线性预测因子,而本研究则进一步深入,试图回答“对于哪些个体”该疗法才有效这一问题。具体而言,我们同时分析了12个基线预测因子及其潜在的非线性交互作用,所使用的机器学习框架能够揭示传统分析方法无法发现的复杂预测模式。通过分析基线的临床数据及人口统计学特征,我们试图找出症状缓解的关键预测因子。此外,还通过特征重要性分析,确定哪些基线变量对预测性能的贡献最大。这种预测建模方法有望帮助开发出更精准、更个性化的工具,用于管理健康焦虑。
参与者
本研究的研究对象来自一项三组随机对照试验,共有226名患有健康焦虑的成年人参与。纳入标准包括:(1)年龄在18至65岁之间;(2)能流利地说普通话、阅读中文,并且能够经常使用智能手机;(3)存在具有临床意义的健康焦虑症状,其表现为本研究采用的简版健康焦虑量表得分≥15,这一分值标准是根据以往研究确定的,用于识别符合条件的参与者。
参与者特征
本研究中212名参与者的基本人口统计学特征见表1。他们的平均年龄为22.65岁(标准差为3.81岁),年龄范围在18至39岁之间,其中63.21%为女性(n=134)。总体而言,这些参与者的基线简版健康焦虑量表得分平均为28.37分(标准差为9.15分),得分范围在15至51分之间,到试验结束时,有29.72%的参与者实现了症状缓解(n=63)。
机器学习预测与特征重要性
在预测接受解读偏差修正疗法组的健康焦虑患者的治疗效果时,支持向量机模型表现良好,其AUC值为0.701;而在注意力控制组中,该模型的AUC值为0.857;相比之下,等待名单组的预测性能与随机水平相当(AUC=0.538)。这些数值是基于较小的保留测试集得出的(n≈18)。
结论
总之,这项探索性研究表明,机器学习方法,尤其是基于支持向量机的分类模型,能够利用基线的临床数据及人口统计学特征,预测通过移动应用实现的解读偏差修正疗法治疗后患者的症状改善情况或自然缓解情况。分析结果显示,不同治疗条件之间存在潜在的差异性预测模式;不过,关键预测因子的重叠使得难以确定这些预测因子是否专门针对解读偏差修正疗法。未来需要开展更多研究,运用……
CRediT作者贡献声明
Xiayu Du:撰写——初稿、方法学、研究实施、概念设计。
Binyu Wang:可视化、软件应用、方法学。
Jiaojiao Jia:研究实施。
Congrong Shi:撰写——审阅与编辑、概念设计。
Xianglian Yu:撰写——审阅与编辑、资源协调。
Zhihong Ren:撰写——审阅与编辑、监督、项目管理、概念设计。
未引用参考文献
Hedman等人,2015年。
本文的补充数据见此处:[此处插入标题]
致谢
本研究得到了中国国家社会科学基金重大项目的资助(项目编号:22&ZD187)。
伦理标准
本研究已获得华中师范大学生命科学伦理委员会的批准(批准编号:CCNU-IRB-202210020)。
利益冲突声明
作者声明不存在任何需要披露的利益冲突。
数据可用性声明
如有数据获取需求,请联系相应作者。
Xiayu Du | Binyu Wang | Jiaojiao Jia | Congrong Shi | Xianglian Yu | Zhihong Ren
中国武汉430079,华中师范大学青少年网络心理与行为重点实验室,教育部国家智能社会治理实验基地(教育领域)
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号