基于机器学习分配算法的生态瞬时干预（EMI）提升青少年心理健康的微随机试验（MRT）研究：时间滞后近端效应与可行性初探

《Translational Psychiatry》：A machine learning-based ecological momentary intervention for mental health promotion in youth: a micro-randomized trial

　　

利用基于机器学习（Machine Learning, ML）的分配算法的生态瞬时干预（Ecological Momentary Interventions, EMIs）可能通过提供更具个体适配性的内容来改善心理健康结局，但相关证据仍然缺乏。本研究旨在确定，与随机分配相比，基于ML的EMI成分分配是否能增强来自一般人群和心理辅导服务的青少年在瞬时心理健康结局上的效应。研究人员开展了一项受试者内微随机试验（micro-randomized trial, MRT）。参与者每天被随机分配最多七次（1:1比例；最多210个决策点），接受基于ML的（实验条件）或随机的（主动对照条件）EMI成分分配。近端结局为正性情感、瞬时韧性和负性情感在t_n+1时刻的时间滞后变化。研究评估了可行性与安全性。远端结局包括心理困扰、韧性和情绪调节。共纳入49名青少年（平均年龄20.6岁；78%为女性）。基线时，参与者平均报告轻度至中度心理困扰（K10均值=23.8，标准差=7.1），其中超过三分之一报告中度或重度困扰。观察到支持ML分配优于随机分配的初步、结局特异性信号体现在瞬时韧性上（B=0.147，95%置信区间（confidence interval, CI）0.004–0.290，p=0.044），而在正性情感或负性情感上未观察到有益效应证据。可行性指标支持AI4U训练的实施，满意度、可接受性和可用性评分良好；未报告严重不良事件。未控制的前后比较提示心理困扰小幅下降（d=?0.23），韧性（d=0.55）和适应性情绪调节（d=0.53）有所改善。总体而言，本研究证明了基于ML的自适应EMI在青少年中的可行性和初步安全性，并提供了初步的、结局特异性的信号，即基于ML的分配可能相对于随机分配改善瞬时韧性，同时强调需要更大规模、效能充足的MRT，以及对预测性能能否转化为政策价值进行正式验证。

青少年心理健康问题已成为重大公共卫生挑战，亟需创新的促进、预防与干预方法。移动健康（mHealth）应用为提升青少年心理健康提供了更具参与性的干预途径。生态瞬时干预（Ecological Momentary Interventions, EMI）在日常生活中传递简短干预成分，并可依据生态瞬时评估（Ecological Momentary Assessment, EMA）和其他时间变化情境数据提供信息，其与即时适应性干预（Just-in-Time Adaptive Interventions, JITAIs）紧密相关。然而，现有自适应EMI多依赖固定决策规则，如固定时间表、阈值触发或静态定制变量，难以充分捕捉个体内部心理状态、情境及干预反应的变化。机器学习（Machine Learning, ML）通过建模EMA数据的时间动态并预测用户心理健康轨迹，可能增强EMI对近端心理健康结局的效应。但目前将ML方法用于驱动数字干预的研究极为有限，且尚无证据表明整合EMA衍生的密集纵向数据、ML信息预测与EMI成分分配能够相对随机分配产生增量效益。为此，研究人员开展了一项受试者内微随机试验（MRT），在德国于2022年7月至2023年2月期间，评估基于ML的EMI成分分配在青少年心理健康促进中的近端效应、可行性与安全性。

研究人员共纳入49名青少年（平均年龄20.6岁；78%为女性），主要来自一般人群和心理辅导服务。研究采用受试者内设计，在30天训练阶段内，每个决策点按1:1比例随机分配至基于ML的分配（实验条件）或随机分配（主动对照条件），最多每天7次（最多210个决策点）。近端结局为t_n+1时刻时间滞后的正性情感、瞬时韧性和负性情感变化；同时评估可行性与安全性，并探索远端结局（心理困扰、情绪调节、韧性）的未控制前后变化。研究发现，ML分配在瞬时韧性上表现出优于随机分配的小效应信号（边际因果游走效应B=0.147，95%CI 0.004–0.290，p=0.044），而正性情感和负性情感未见有益效应。可行性指标支持AI4U训练的实施，未报告严重不良事件。未控制的前后比较提示心理困扰小幅降低（d=?0.24）、韧性（d=0.55）和适应性情绪调节（d=0.53）改善。该研究初步证明了基于ML的自适应EMI在青少年中的可行性和初步安全性，为个性化数字心理健康干预提供了方法论基础，但仍需更大规模MRT验证。

在关键技术方法上，研究人员利用基于循环神经网络（Recurrent Neural Network, RNN）的动态系统重构（Dynamical Systems Reconstruction, DSR）方法，对每个参与者的EMA时间序列建模；以最近一次EMA评分初始化模型潜在状态，将候选EMI成分作为外部输入，预测未来约六步（约一天）的EMA轨迹，计算预测获益分数并通过softmax函数转化为成分选择概率，从而实施概率性ML分配。模型训练采用广义教师强制（Generalized Teacher Forcing），每晚基于全部可用数据从头重新训练，并设置最低数据标准（日均至少1.5个数据点且总数至少20个）防止稀疏数据风险。MRT分析采用加权中心最小二乘法（wcls()）估计边际因果游走效应。可行性使用移动应用评级量表（MARS）和移动应用可用性问卷（MAUQ）评估；远端结局使用Kessler心理困扰量表（K10）、认知情绪调节问卷简版（CERQ-short）和Connor-Davidson韧性量表（CD-RISC）评估。

**社会人口学与临床特征**：通过招募流程，80名青少年表达初步兴趣，61名提供书面知情同意，58名完成基线评估并开始干预，最终49名进入决策点随机化。基线时参与者的平均心理困扰得分为23.8（SD=7.1），其中36%符合中度或重度心理困扰标准；51%有移民史。42名参与者（86%）具备近端结局分析数据，44名（90%）具备远端结局数据。描述性比较未发现排除者与纳入者在主要基线特征上的明显差异。

**ML分配与随机分配对近端结局的影响**：使用wcls()函数对42名参与者的数据进行分析，在t_n+1时刻，ML分配相比随机分配在瞬时韧性上存在小且具有统计学意义的有益效应（B=0.147，95%CI 0.004–0.290，p=0.044）；对正性情感（B=0.012，95%CI ?0.11–0.14，p=0.839）和负性情感（B=0.093，95%CI ?0.02–0.21，p=0.103）未发现有益效应证据。ML分配与随机分配条件下EMI分配到评估的时间间隔具有可比性（中位数分别为2.53小时和2.39小时），表明结局差异不太可能由评估时点系统差异解释。

**MRT方法学、干预实施与安全性的可行性**：49名进入随机化的参与者中，48名（98%）完成了后测评估。42名（86%）被纳入MRT分析，7名（14%）因技术问题或EMA数据不足被排除。参与者平均使用AI4U训练近7小时（SD=3.6小时），反映较高的应用使用量。用户对可用性和可接受性总体评价良好，但部分主观质量指标评价不一。研究期间未记录严重不良事件，支持初步安全性。

**远端结局的未控制前后变化**：对44名参与者的前后比较分析显示，心理困扰有小幅下降（Cohen's d=?0.24），韧性（d=0.55）和适应性情绪调节策略的使用（d=0.53）有所改善；非适应性情绪调节策略未见明显变化（d=?0.20）。由于缺乏人水平对照组，这些变化不能归因于AI4U训练的因果效应。

讨论部分指出，本研究通过MRT设计提供了ML分配策略初步近端效应的证据，但存在若干方法学限制：部分参与者因技术或数据原因被排除；近端结局评估时间间隔较长可能降低对短暂情感变化的敏感度；远端结局缺乏人水平对照，无法排除回归均值、监测反应性、期望效应等因素。此外，预测性能与政策价值需明确区分：RNN模型用于预测并指导分配策略，但MRT评估的是整个分配策略而非预测模型的全面验证。与既往研究相比，本研究将RNN动态系统建模与EMA信息分配整合，是对ML个性化数字干预的初步探索。结论翻译如下：总体而言，本研究支持一种密集的、基于ML的自适应EMI在青少年心理健康促进中的可行性和初步安全性，并提供初步的结局特异性信号，即ML分配可能相对于随机分配改善瞬时韧性，而在正性情感或负性情感上未发现有益效应证据。这些发现并不能证明预测模型已最优校准或预测性能可转化为政策价值。未来研究应纳入更多样化人群、开展更大规模且效能充足的MRT、设置远端结局的对照条件，并正式验证预测性能是否转化为政策价值。