使用机器学习预测治疗反应
关键点
- 该研究使用了机器学习算法，通过基线指标（如人口统计学、身体健康、心理健康和治疗相关变量）预测混合诊断的自然住院样本的治疗反应。
- 与线性回归模型相比，机器学习算法通过正则化减少过拟合，从而提高了预测性能，而不是引入非线性或交互效应。
- 治疗反应主要由基线症状严重程度预测，其次是治疗相关变量和心理健康指标。人口统计学和身体健康指标的预测价值较低。
- 研究强调了多维度功能评估的重要性，并确定了住院环境中治疗反应的潜在预后标志。
背景
在心理健康护理中，预测治疗反应至关重要，因为它可以帮助最小化治疗失败，防止次优尝试，并优化资源分配。
当临床医生能够准确预测患者对特定治疗的反应可能性时，他们可以做出更明智的决策，选择最合适的干预措施，从而改善患者的治疗结果并更高效地利用医疗资源。
然而，现有的关于治疗反应预测的研究大多集中在门诊环境或临床试验数据上。
尽管这些研究提供了宝贵的见解，但它们的发现可能不直接适用于自然住院样本，因为患者特征、治疗环境和心理健康状况的严重程度存在差异。
正如Webb等人（2020年）指出的，临床试验数据通常对现实世界的住院人群具有有限的生态效度。这些试验通常有严格的纳入和排除标准，导致样本更加同质，而住院环境中看到的患者群体则更加多样化。
此外，研究表明，住院患者的治疗反应可能存在显著差异。Hartmann等人（2018年）识别出重度抑郁症住院患者的不同症状变化模式，突显了这一人群中治疗反应的异质性。
同样，Zeeck等人（2020年）发现，自我批评和人格功能预测了重度抑郁症住院患者的不同症状变化模式。这些发现强调了需要针对住院人群的准确治疗反应预测因素，因为影响治疗结果的因素可能与门诊环境中的因素不同。
鉴于现有研究的局限性和住院环境中治疗反应的异质性，有必要进行专门研究，以调查自然住院样本中治疗反应的预测因素。
通过关注这一人群并利用机器学习算法等高级分析技术，研究人员可以获得更准确的见解，了解影响住院环境中治疗结果的因素。
这些知识可以用于开发更有针对性和有效的干预措施，最终改善住院心理健康患者的护理质量。
本研究旨在通过使用机器学习算法预测混合诊断的自然住院样本的治疗反应，填补文献中的这一空白。
通过这样做，研究人员希望识别出特定于这一人群的关键治疗反应预测因素，提供有价值的见解，以指导临床决策并提高住院心理健康护理的有效性。
方法
该研究采用嵌套交叉验证方法，使用弹性网络回归和梯度提升机等机器学习算法，通过自然住院样本的基线指标预测治疗反应。
研究使用了德国一家诊所和综合诊所的常规结果监测数据。主要结果是治疗后的《患者健康问卷焦虑抑郁量表》（PHQ-ADS）总分。
样本
样本包括2018年至2021年间从德国莱茵兰-普法尔茨州的一家诊所和综合诊所收集的723名患者。
测量工具
研究使用了多种测量工具，包括PHQ-ADS、Sheehan残疾量表、症状清单（SCL-K9）、剑桥人格解体量表2、《DSM-5人格障碍简明量表》（PID-5）等。
统计方法
研究采用了嵌套交叉验证方法，使用弹性网络回归和梯度提升机。模型性能通过解释方差（R²）、均方根误差（RMSE）和平均绝对误差（MAE）进行评估。
结果
- 机器学习算法，特别是弹性网络回归和梯度提升机，在预测治疗反应方面优于线性回归模型，主要是通过正则化减少过拟合。
- 性能最佳的模型（使用所有可用预测变量的弹性网络回归）解释了治疗后PHQ-ADS分数的44%的变异，比仅使用基线症状严重度提高了12%。
- 用PHQ-ADS测量的基线症状严重度是最强的治疗反应预测因素。
- 治疗相关变量，如患者对治疗帮助性的感知、治疗长度和之前的治疗次数，是第二重要的预测变量组。
- 心理健康指标，包括人格解体/现实解体症状、重复性负面思维和人格功能方面，也是重要的治疗反应预测因素。
- 与其他人变量组相比，人口统计学和身体健康指标的预测价值较小。
见解
该研究强调了多维度功能评估的重要性，包括职业功能、慢性病和共病症状等因素，以预测治疗反应。
具体症状和特征，如人格解体/现实解体、担忧、易怒和自我-他人功能受损，被确定为住院环境中治疗反应的潜在预后标志。
研究结果表明，专注于收集高质量的数据和可靠的指标可能比使用越来越复杂的建模方法更有益于改进预测模型。
研究展示了在心理治疗研究中结合开放科学实践（如预注册和提供合成数据集）和机器学习算法进行预测建模的价值。
优点
- 使用了一个包含混合诊断的大型自然住院样本，
- 采用了严谨的开放科学实践，
- 提供了合成数据集以确保透明度和可重复性。
局限性
- 该研究依赖于一组特定的可用预测变量，可能无法捕捉到所有影响治疗反应的相关因素。
- 该研究也未评估长期治疗结果。
临床意义
研究结果表明，可以将使用基线指标的预测模型应用于常规评估，以识别治疗无反应风险的患者。
心理健康指标，如人格解体/现实解体症状、重复性负面思维和人格功能，为治疗反应提供了超出基线症状严重度的增量预测价值。
这些因素应在基线评估中优先考虑，以提高治疗反应预测的准确性。
相比之下，人口统计学和身体健康指标的信息较少，这表明在预测住院环境中的治疗结果时，关注全面的心理健康相关变量可能更有益。
参考文献
请注意，以上内容已按照指定的翻译规则进行了翻译，并保持了原文的完整性和格式。
主要参考文献
Jankowsky, K., Krakau, L., Schroeders, U., Zwerenz, R., & Beutel, M. E. (2024). 使用机器学习预测治疗反应：一项注册报告. 英国临床心理学杂志, 63, 137–155. https://doi.org/10.1111/bjc.12452
其他参考文献
Hartmann, A., von Wietersheim, J., Weiss, H., & Zeeck, A. (2018). 重度抑郁症的症状变化模式：长期病程的分类和聚类. 精神病学研究, 267, 480–489. https://doi.org/10.1016/j.psychres.2018.03.086
Webb, C. A., Cohen, Z. D., Beard, C., Forgeard, M., Peckham, A. D., & Björgvinsson, T. (2020). 在自然主义精神病院环境中对抑郁患者的个性化预后预测：机器学习方法的比较. 咨询与临床心理学杂志, 88(1), 25–38. https://doi.org/10.1037/ccp0000451
Zeeck, A., von Wietersheim, J., Weiss, H., Hermann, S., Endorf, K., Lau, I., & Hartmann, A. (2020). 自我批评和人格功能预测重度抑郁症的症状变化模式. 精神病学前沿, 11, 147. https://doi.org/10.3389/fpsyt.2020.00147
持续学习：
- 这项研究的发现如何应用于临床实践，以改善混合诊断住院患者的治疗效果？
- 在心理健康环境中使用机器学习算法预测治疗反应时，可能涉及哪些伦理考虑？
- 本研究中开发的预测模型如何进一步改进或扩展，以纳入更多影响治疗反应的相关因素？
引用来源
本文翻译自以下网站：
simplypsychology.org
使用声明
本文仅供教育和参考用途。如需转载或引用，请注明出处和作者。
如果你有任何问题或建议，请随时联系微信公众号。