Psychol Med：机器学习方法优化精准医疗以优化抑郁症治疗

数据来自 STAR*D 数据集的 2 级阶段，其中包括 1439 名患者，这些患者在第一步抗抑郁药治疗期间未能达到缓解后被随机分配到七种不同的第二步治疗策略之一。在第 1 级，患者最初接受西酞普兰 （CIT） 治疗至少 8 周。在 1 级期间未缓解的患者接受了 2 级治疗，这代表了两种总体治疗策略：（1） 药物或心理治疗转换 – 从 CIT 切换到另一种抗抑郁药物或认知心理治疗 （CT），以及 （2） 药物或心理治疗增强 – 用第二种药物或 CT 增强 CIT。对于在 2 级转换治疗的患者，可以使用舍曲林 （SER）（第二种 SSRI）、文拉法辛 （VEN）（一种同时具有去甲肾上腺素能和血清素能作用的抗抑郁药）、安非他酮 （BUP）（一种同时具有去甲肾上腺素能和多巴胺能作用的抗抑郁药）或 CT。同样，在药物或心理治疗增强策略中，增强 CIT 的三种治疗方法是 BUP、丁螺环酮 （BUS）（一种抗焦虑药物）或 CT。

 

集成机器学习模型由几种单独的算法组成，使用嵌套交叉验证对 155 个预测变量（包括临床和人口统计学测量）进行评估。性能指标包括受试者操作员曲线下面积（AUC，模型区分度的衡量标准）、敏感性、特异性、阳性预测值（PPV，即预测达到缓解的患者实际达到缓解的概率）、阴性预测值（NPV，即预测未达到缓解的患者实际上没有达到缓解的概率）和准确性（总结果的比例 - 缓解 v.未汇出 - 分类正确）。

从结果来看，集成机器学习算法在预测七种第二步治疗的缓解状态方面表现出差异分类性能。

图 1.具有完整预测变量集的模型的 ROC 曲线

对于全套预测变量，AUC 值范围为 0.51 至 0.82，具体取决于第二步治疗类型。预测缓解对认知疗法最成功（AUC = 0.82），而对其他药物和联合治疗方案预测缓解最不成功（AUC = 0.51-0.66）。

表 2.前十大过滤变量

对于具有前十个过滤变量的模型，结果显示，对于五个第二步处理，分类性能明显优于机会。最佳预测性能仍与CT（AUC=0.72,95%CI 0.504-0.94）和BUP（AUC=0.70,95%CI 0.62-0.79）治疗相关。此外，对 CITCT （AUC = 0.65， 95% CI 0.501–0.81）、VEN （AUC = 0.60， 95% CI 0.51–0.68） 和 SER （AUC = 0.59， 95% CI 0.51–0.67） 的预测具有统计学意义。

表 3.具有十大预测变量的预测性能

图2.具有前十个预测变量的模型的 ROC 曲线

总的来说，集成机器学习具有预测第二步治疗的潜力。在这项研究中，预测性能因治疗类型而异，与药物治疗干预相比，预测行为治疗缓解的准确性更高。未来的方向包括考虑信息量更大的预测因子模式，以增强对第二步治疗反应的预测。