理解网络干预中的负面效应：抑郁症治疗中不良反应（NEs）的分类、预测因子及临床意义研究

本文深入探讨了网络干预（IBI）治疗抑郁症过程中产生的负面效应（NEs），通过混合研究方法系统识别了治疗相关性与患者相关性两大类共五个子类NEs，并揭示其与症状改善、治疗依从性的关联。研究强调区分NEs类别对疗效评估的重要性，为提升IBI安全性及个性化干预提供关键依据。

　　

引言

互联网干预（Internet-based interventions, IBI）作为应对高需求心理治疗的重要方式，因其可及性和灵活性被广泛应用于抑郁症治疗。尽管IBI被证明具有临床有效性，但越来越多的研究表明部分参与者可能经历负面效应（Negative Effects, NEs）。目前学界对于NEs的具体分类和临床意义尚未达成共识，多数研究将不同类别的NEs合并分析，导致结果解释存在困难。本研究采用混合研究方法，旨在系统识别抑郁症IBI中NEs的具体类别，探讨其与症状变化和治疗依从性的关系，并分析相关预测因子。

材料与方法

本研究数据来源于一项两臂随机对照试验（RCT），共纳入1610名完成治疗后评估的参与者，其中113人（7%）报告至少一种NEs。通过MAXQDA 2022软件对参与者描述的NEs进行定性内容分析，采用预先建立的框架将NEs分为两大类：治疗相关性NEs（包括格式、联系和实施三个子类）和患者相关性NEs（包括症状和洞察两个子类）。定量分析采用非参数检验方法，评估NEs与抑郁症状变化（使用PHQ-9量表）、治疗依从性（以是否完成全部7个模块为指标）的关联，并考察基线人口学特征、治疗期望、工作联盟及问题激活（problem actuation）等变量对NEs的预测作用。

结果

定性分析显示，110名参与者的NEs陈述可被归类至上述框架，其中治疗相关性NEs占57%，患者相关性NEs占43%。具体子类中，格式相关NEs占25%，联系相关占14%，实施相关占26%；症状相关NEs占29%，洞察相关占15%。

定量结果表明，报告NEs的参与者基线抑郁症状（PHQ-9得分12.4）较无NEs者（11.6分）更高（θ=0.57），且症状改善程度更低（治疗后得分：9.1 vs 6.8）。进一步分析发现，治疗相关性NEs组比患者相关性NEs组症状改善更差（治疗后得分：9.8 vs 8.0）。在子类层面，症状相关NEs参与者表现出更好的预后（治疗后得分7.7 vs 其他NEs组9.6），而联系相关NEs组预后较差（治疗后得分11.0 vs 8.7）。

治疗依从性分析显示，报告NEs的参与者完成全部治疗模块的比例显著低于无NEs者（5.1% vs 11.5%）。预测模型表明，较高的基线PHQ-9得分增加NEs发生风险，而治疗可信度和情感联结（emotional bond）评分较高则降低该风险。治疗相关性NEs组在治疗初期表现出更高的恐惧改变评分和更低的问题激活程度。

讨论

本研究首次在大样本抑郁症IBI中系统验证了NEs的分类框架，证实7%的参与者报告治疗相关NEs，与既往研究一致。结果表明，NEs的不同类别与症状变化和依从性存在异质性关联：治疗相关性NEs（如格式、联系问题）可能阻碍疗效，而患者相关性NEs（如症状恶化、洞察增强）可能与治疗中的情感加工机制相关，甚至促进长期症状改善。联系相关NEs对治疗联盟的负面影响尤为突出，提示需优化IBI中的人际互动支持。

本研究存在一定局限性：定性分析可能未涵盖所有NEs类型（如医疗不当行为）；自报告数据可能存在偏差；脱落参与者数据缺失可能影响结论完整性；样本教育水平较高，限制结果外推性。未来研究应结合标准化量表（如NEQ）和多视角评估，并加强随访设计以全面捕捉NEs动态特征。

结论

本研究深化了对IBI中NEs分类与临床意义的理解，证明区分治疗相关性和患者相关性NEs对疗效评估和干预优化具有重要价值。治疗可信度、情感联结及问题激活程度是预测NEs的关键因素。建议临床实践和研究中系统监测NEs类别，针对不同机制制定个性化干预策略，以提升IBI的安全性和有效性。