机器学习荟萃分析确定了减缓焦虑和抑郁症状认知干预效果的个体特征

　　

机器学习元分析：解锁认知干预对焦虑抑郁症状疗效的个性化密码

在当今心理健康研究领域，探索更有效的焦虑和抑郁治疗方法至关重要。来自以色列海法大学（University of Haifa）的研究人员 Thalia Richter、Reut Shani 等人在 npj Digital Medicine 期刊上发表了题为 “Machine learning meta-analysis identifies individual characteristics moderating cognitive intervention efficacy for anxiety and depression symptoms” 的论文。该期刊与首尔国立大学盆唐医院合作出版，在数字医学研究领域具有较高影响力。这篇论文的发表意义重大，它通过创新的研究方法，为认知训练干预焦虑和抑郁症状的个性化应用提供了关键依据，有望推动心理健康治疗向更精准、更有效的方向发展。

一、研究背景

焦虑和抑郁作为全球范围内极为普遍的心理健康障碍，给个人和社会带来了沉重的负担。传统治疗方法成功率有限，主要原因在于其缺乏个性化。认知训练作为一种新兴的干预手段，旨在通过对认知机制的干预来缓解焦虑和抑郁症状，近年来受到了广泛关注。计算机化认知干预借助技术设备，针对认知和情感领域的神经生物学机制设计任务，期望改善患者的心理状态。然而，现有研究中认知训练的疗效并不一致。不同研究采用的训练方法、样本特征、评估指标等存在差异，导致难以确定哪些因素会影响认知训练的效果。一些研究表明，训练的具体特征（如训练次数）以及个体差异（如年龄、基线认知能力）会对训练疗效产生影响，但这些结论尚未达成共识。此外，以往的元分析存在诸多局限性，如聚焦范围狭窄、依赖汇总的研究层面数据、使用传统统计方法难以处理样本异质性等，使得该领域对认知训练方法的广泛适用性和整合理解存在重大缺口。在此背景下，本研究旨在借助机器学习方法深入剖析影响认知训练疗效的因素，为个性化干预提供科学依据。

二、研究材料与方法

（一）数据收集

研究团队通过全面的 PubMed 文献检索，筛选出 2013 年至 2018 年发表的 574 篇文章。经两名经验丰富的团队成员严格审查，依据既定的纳入 - 排除标准，最终确定 39 篇符合要求的论文。研究人员联系这些论文的相应作者，获取了 22 个数据集，涉及 1544 名参与者。这些参与者分别完成了工作记忆训练、注意力偏差修正、解释偏差修正、抑制控制训练中的一种，或对应的控制活动。

（二）数据处理与分析

1. 标准化结果测量：由于各数据集的结果测量问卷不同，研究人员通过文献检索获取各问卷在健康人群中的常模（均值和标准差），并将参与者的得分进行标准化处理，使所有结果测量统一到可比较的量表上。

2. 确定结果测量指标：研究计算了两个结果测量指标。主要结果测量指标是从标准化问卷中选取与心理健康、情绪或幸福感相关的特定分数，且该分数需有健康人群常模，同时要与原始研究的主要关注点一致；次要结果测量指标则是对当前研究中未被选作主要结果的所有标准化问卷分数进行汇总和平均。

3. 潜在调节变量：研究考察了个体层面和研究层面的潜在调节变量。个体层面包括年龄、性别、基线标准化主要和次要结果分数；研究层面包括人群类型、临床评估方法、认知训练次数、训练间隔天数、训练时长、地理区域、训练地点、是否包含视觉情感刺激等。此外，还对临床个体层面的调节变量（如药物治疗状态、诊断类型）进行了单独分析。

4. 数据分析模型：本研究采用随机森林模型（RF）和线性混合效应模型（LME）进行数据分析。对于旨在确定影响任何形式认知训练疗效变量的分析（目标 1），同时使用 RF 和 LME 模型；对于比较不同类型认知训练疗效变量的分析（目标 2），因训练类型与研究层面调节变量存在共线性，仅使用 RF 模型。在临床诊断参与者的后续分析中，由于样本量较小，仅使用 LME 模型。通过计算均方误差（MSE）评估模型准确性，利用特征重要性和 Shapley 可加解释（SHAP）值来分析调节变量的贡献和影响方向，并基于训练好的 RF 模型预测每个参与者的最佳训练组。

三、研究结果

（一）基于 RF 的完整数据集分析：目标 1（确定从认知训练中受益的人群）

1. 模型准确性与特征重要性：RF 模型在预测主要和次要结果时，训练集和验证集的 MSE 值差异较小，表明模型未出现过拟合，且预测准确性较高。特征重要性分析显示，主要结果预测中，基线分数和训练次数是最重要的调节变量；次要结果预测中，基线分数和训练时长是关键因素。

2. SHAP 值分析：SHAP 值表明，基线焦虑和抑郁症状得分较高的参与者改善更明显；训练次数增加、中等时长的训练对改善更有效。

3. 最佳分组预测：根据 RF 模型预测，大部分参与者（主要结果中 62%，次要结果中 71%）被分配到训练组时预期获益更大。

（二）基于 RF 的完整数据集分析：目标 2（确定从特定类型认知训练中受益的人群）

1. 模型准确性与特征重要性：RF 模型对主要和次要结果的预测准确性较高，MSE 值显示模型性能良好。特征重要性分析再次表明，基线分数和训练剂量（主要结果中的训练次数，次要结果中的训练时长）是关键调节变量。

2. SHAP 值分析：SHAP 值结果与目标 1 类似，基线分数高的参与者改善更显著，增加训练次数、中等或短时长训练效果更好。

3. 最佳训练类型预测：对于主要结果，注意力偏差修正（ABM）和解释偏差修正（CBM - I）训练与更多获益相关，多数参与者（80%）被预测在 ABM 组获益最大；对于次要结果，CBM - I 组被预测为对多数参与者（82%）最有利。

（三）基于 LME 的临床数据集分析：目标 1（确定从认知训练中受益的临床患者）

1. 模型构建与分析：构建 LME 模型，去除非显著交互项后进行分析。主要结果显示，基线主要结果分数越高，患者获益越多；女性获益低于男性；控制条件下，患有多种精神疾病的患者比仅患有抑郁和焦虑的患者获益更多。次要结果表明，基线次要聚合结果分数越高，患者获益越多；女性获益低于男性；控制条件下，基线分数对获益的影响减弱。

（四）基于 LME 的临床数据集分析：目标 2（确定从特定类型认知训练中受益的临床患者）

1. 模型调整与结果：因训练类型与部分调节变量共线性，调整模型后进行分析。主要结果发现，基线主要结果分数越高，患者获益越多；次要结果显示，基线次要聚合结果分数越高，患者获益越多；CBM - I 训练中，未服药患者比服药患者改善更显著。

四、研究结论与讨论

本研究首次运用机器学习方法对认知训练干预焦虑和抑郁症状的疗效进行大规模个体层面的元分析，得出了一系列具有重要意义的结论。

在影响认知训练疗效的因素方面，个体的临床状态（以临床诊断或基线自评心理健康问卷分数表示）和训练剂量（训练次数和训练时长）起着核心作用。这与部分先前研究结果相符，进一步证实了这些因素在认知训练中的关键影响。性别和年龄对预测训练改善值的影响较小，但由于研究样本年龄分布特点，年龄影响的结论需谨慎对待，未来还需更多跨年龄组的研究加以验证。

不同类型的认知训练疗效存在差异。ABM 和 CBM - I 在特定参与者中可能比工作记忆训练或抑制控制训练带来更大的改善。这一结果拓展了以往研究，表明这些训练方法在不同精神障碍和人群中具有潜在优势，尤其是 CBM - I 对症状更严重的个体可能更为有益。

本研究的创新之处在于利用机器学习方法分析个体层面数据，克服了传统研究的一些局限性。但研究也面临着数据集异质性的挑战，包括训练特征、结果测量和人群的差异，这可能导致部分调节效应未显现，个体差异被掩盖。为解决这些问题，未来研究可采用统一的结果测量方法，如建立金标准问卷，或对问题进行分类标准化处理。

总体而言，本研究为个性化认知训练干预焦虑和抑郁症状提供了重要依据。研究结果提示，在设计个性化治疗方案时，应优先考虑参与者的基线情绪和心理健康状况，并适当增加训练次数以提高疗效。该研究推动了心理健康领域认知训练的发展，为后续研究和临床实践指明了方向，有望促进更精准、更有效的个性化治疗方案的开发和应用，从而更好地应对焦虑和抑郁等心理健康问题，减轻患者的痛苦和社会负担。