爱尔兰都柏林圣三一学院新研究：机器学习为抑郁症患者精准匹配治疗方案

都柏林三一学院的研究人员发现，机器学习模型有望帮助临床医生预测，哪些抑郁症患者在接受数字认知行为疗法后比使用抗抑郁药更有可能获得良好改善。

这项由该校心理学院研究团队主导的研究还指出，数字认知行为疗法相较于面对面治疗等方式，可以更早地实现个性化干预。这是因为该疗法本身已实现数字化，从一开始便可嵌入评估工具，持续采集患者数据。

该研究发表于《美国医学会杂志网络开放版》，分析了883名接受数字认知行为疗法或抗抑郁药治疗的成年人的数据，旨在预测抑郁症早期症状的变化。其中，接受数字认知行为疗法的参与者在四周内完成了在线认知行为疗法课程。

研究显示，该模型能够解释患者在四周数字认知行为疗法后抑郁改善程度中19%的变异，且这一预测效应具有治疗特异性——换言之，该模型无法同样准确地预测患者对抗抑郁药的反应。

“19%这个比例看似不高，”该研究的负责人克莱尔·吉兰教授表示，“但考虑到全球范围内抑郁症治疗缺口之大，即便我们在治疗方案匹配上只取得小幅提升，也会对患者的身心健康、生活质量乃至疾病带来的社会经济负担产生深远影响。”

“抑郁症影响全球数百万人，而不同患者对治疗的反应差异显著，”研究第一作者李锡达博士解释道。他在三一学院心理学院吉兰实验室开展此项研究。“目前，临床医生主要依靠‘试错法’来确定哪种治疗方案最适合患者。我们的研究表明，可以利用患者在治疗初期提供的信息——尤其是问卷数据——来预测哪些人更有可能在数字认知行为疗法中迅速获益。”

“需要强调的是，机器学习模型并不会取代临床医生。我们的研究发现，该模型能够识别出一部分将从数字认知行为疗法中获益的患者，但并非全部。因此，它更适合作为一种决策支持工具，帮助临床医生更高效地为患者匹配适合的治疗方案。即便如此，这项技术仍具有巨大潜力，既可减轻患者的痛苦，也有助于缓解医疗系统的压力。”

近年来，利用机器学习预测抑郁症患者治疗反应的研究日益增多，但许多早期研究存在样本量较小或模型验证不足的问题。本研究通过扩大样本规模并强化对模型治疗特异性的检验，有效弥补了上述不足。