AI 可以帮助临床医生对广泛性焦虑症进行个体化治疗

快速阅读: 《科学日报》消息，研究人员利用机器学习分析了126名广泛性焦虑症（GAD）患者的数据，识别出11个关键变量，预测九年内康复情况的准确率为72%。高教育水平、较多的朋友支持和积极情绪是重要康复因素，而抑郁情绪和频繁就医则预示非康复。该研究为个性化治疗GAD提供了依据，特别是结合其他疾病的情况。研究成果发表在《焦虑障碍杂志》上。

研究人员使用了一种被称为机器学习的人工智能形式，分析了超过80个基线因素——包括心理、社会人口统计、健康状况及生活方式等变量——针对126名被诊断为广泛性焦虑症（GAD）的匿名个体。数据来自美国国立卫生研究院的纵向研究“美国中年”，该研究收集了从1995年至1996年首次访谈的25至74岁美国大陆居民的健康数据。机器学习模型识别出11个最能预测康复与非康复的关键变量，在九年的末期达到了72%的准确率。研究人员在《焦虑障碍杂志》三月刊发表了他们的发现。“先前的研究显示，GAD的复发率非常高，而且临床医生对长期结果的预测准确性有限，”宾夕法尼亚州立大学的主要作者及博士研究生坎迪斯·巴斯蒂菲尔德说。“这项研究表明，机器学习模型在预测谁会或不会从GAD中康复方面表现出良好的准确性、敏感性和特异性。这些康复预测指标对于帮助创建基于证据的个性化治疗方案以实现长期康复非常重要。”

研究人员通过两种机器学习模型运行了基线变量：一种是线性回归模型，它检查两个变量之间的关系，并沿几乎直线绘制数据点；另一种是非线性模型，像树一样分支、分裂并生成新的子树，绘制如何自我纠正之前的错误。模型确定了11个关键变量，用于预测九年内康复或非康复的情况，线性模型的表现优于非线性模型。模型还确定了每个变量与其他变量相比预测康复结果的重要性。

研究人员发现，较高的教育水平、较老的年龄、更多的朋友支持、更高的腰臀比和更高程度的积极情绪（感觉更愉快）是最重要的康复因素，按此顺序。抑郁情绪、日常歧视、过去12个月内与心理健康专业人士进行更多次咨询以及过去12个月内更多次访问医生是预测非康复的最重要因素。研究人员通过将机器学习预测与MIDUS数据进行比较来验证模型发现，发现预测康复的变量与95名在九年后不再有GAD症状的参与者相匹配。研究结果表明，根据研究人员的说法，临床医生可以使用人工智能识别这些变量，并为GAD患者个性化治疗——尤其是那些合并其他疾病的患者。宾夕法尼亚州立大学的心理学教授米歇尔·纽曼表示，近50%到60%的GAD患者伴有抑郁症。她解释说，个性化的治疗方法可以同时解决这种抑郁症和焦虑问题。“机器学习不仅关注个别预测因素，还有助于我们理解这些预测因素的权重——它们对康复或非康复的重要性——以及这些预测因素如何相互作用，这超出了人类的预测能力，”纽曼说。

研究人员指出，因为GAD是一种慢性疾病，症状时强时弱，因此本研究无法确定九年内GAD的持续时间。然而，这项工作为更加针对性的治疗奠定了基础。“这项工作有助于我们开始了解如何为特定个体提供个性化治疗，”纽曼说。美国国立卫生研究院通过国家精神健康研究所资助了这项研究。

(以上内容均由Ai生成)