编辑推荐：
智能手机应用（apps）用于饮食失调干预效果不一，预测用户反应能力有限。研究人员运用机器学习（ML）技术，针对复发性暴饮暴食的辩证行为疗法（DBT）app 展开研究。结果显示，仅用基线预测指标模型表现不佳，加入使用数据可提升对研究脱落的预测，对精准干预意义重大。
在当今数字化时代，智能手机应用如雨后春笋般涌现，其中针对饮食失调的应用也成为了研究热点。饮食失调，尤其是复发性暴饮暴食，严重影响着人们的身心健康，它不仅会导致身体肥胖、引发各种代谢性疾病，还会给患者带来沉重的心理负担，如自卑、焦虑、抑郁等情绪问题。
传统的治疗方式往往受到时间、空间以及专业人员数量的限制，难以满足众多患者的需求。而智能手机应用的出现，为饮食失调的干预带来了新的希望。这些应用具有便捷性、可及性和可扩展性等优势，理论上可以让更多患者受益。然而，现实却不尽如人意。不同用户对基于应用的干预措施反应差异巨大，有的患者使用后效果显著，暴饮暴食的频率明显降低；而有的患者却收效甚微，甚至中途放弃使用。目前，研究人员还难以准确预测哪些用户会对应用产生良好的反应，这就导致在推广和应用这些干预措施时面临诸多困难。为了突破这一困境，来自国外（文中研究人员所在单位为迪肯大学（Deakin University））的研究人员开展了一项极具意义的研究，相关成果发表在《Behaviour Research and Therapy》上。
研究人员开展的这项研究，旨在运用机器学习（Machine Learning，ML）技术，预测用户对基于辩证行为疗法（Dialectical Behavioural Therapy，DBT）的智能手机应用在复发性暴饮暴食治疗方面的反应。辩证行为疗法是一种认知行为疗法，通过改变患者的思维和行为模式，帮助他们更好地应对情绪和行为问题，在心理健康领域应用广泛。研究人员希望通过分析大量的数据，找到能够准确预测用户反应的方法，从而实现精准干预，提高治疗效果。
研究人员在研究过程中采用了多种关键技术方法。他们收集了一项随机对照试验（Randomised Controlled Trial，RCT）的数据，该试验将基于 DBT 的智能手机应用与等待列表对照组进行对比，以评估应用对减少暴饮暴食的有效性。研究人员以 576 名复发性暴饮暴食患者为样本，使用 10 种常见的分类和回归方法进行分析。他们选取了 69 个自我报告的基线变量，涵盖人口统计学、临床和心理等方面的信息，还纳入了应用使用变量，如完成的模块数量等，以此作为预测指标来构建模型。
研究结果如下：
- 预测参与度和症状水平变化：在仅使用基线预测指标构建模型时，所有模型在预测参与度方面表现不佳，曲线下面积（AUCs）在 0.48 - 0.61 之间，决定系数（R2）在 0.00 - 0.04 之间；在预测症状水平变化方面，R2 为 0.00 - 0.07。这表明仅依靠基线信息，模型难以准确预测用户对应用的参与度以及症状改善情况，预测效果与随机猜测相差无几，甚至有些模型还略低于随机水平。
- 预测研究脱落情况：当模型中纳入应用使用数据后，对研究脱落的预测有了明显改善，AUC 提升至 0.69 - 0.76。这说明通过跟踪应用的使用模式数据，能够更有效地识别出有退出研究风险的个体。
从研究结论和讨论部分来看，此次研究具有重要意义。ML 模型仅依靠自我报告的基线预测指标无法准确预测用户对基于 DBT 的智能手机应用的反应。这提示研究人员，在未来的研究中，若要更精确地预测干预结果，需要考虑预测指标如何随时间变化，以及这些指标与用户实际情境之间的相互作用。而通过建模应用使用模式数据能够改善对脱落情况的预测，这突出了跟踪干预使用情况的潜在价值。研究人员可以通过分析用户在应用中的行为数据，提前发现那些可能会放弃治疗的患者，并采取相应的措施，如给予个性化的指导、提醒或调整干预方案，以提高患者的依从性和治疗效果。这为未来开发更有效的基于智能手机应用的饮食失调干预措施提供了新的思路和方向，有望在精准医疗领域取得新的突破，让更多复发性暴饮暴食患者受益。
