使用机器学习预测治疗反应:一个注册报告

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 医疗保健中的机器学习
• 临床心理学 临床心理学

背景情况:

• 心理治疗治疗响应研究往往缺乏生态有效性,因为专注于门诊患者或临床试验.
• 在自然化的住院患者样本中准确预测治疗反应对于减少治疗失败和识别有风险的患者至关重要.
• 了解住院治疗成功的预测因素对于改善患者护理和治疗评估是必要的.

研究的目的:

• 为了比较各种机器学习算法的预测性能,以在自然主义的住院患者样本中比较心理治疗反应.
• 确定人口统计,身体指标,心理指标和与治疗相关的变量对治疗成功的独特和共同贡献.
• 提高在住院精神卫生机构预测治疗结果的准确性.

主要方法:

• 分析了一个自然主义的住院患者样本 (N=723).
• 治疗反应被运行为症状严重程度的显著减少 (患者健康问卷焦虑和抑郁症量表).
• 机器学习算法和线性回归被使用人口,物理,心理和治疗相关变量进行了比较.

主要成果:

• 基线症状严重程度与治疗后严重程度有很强的相关性 (R2=.32).
• 机器学习算法表现优于线性回归,在使用所有变量时,预测性能增加了R2=.12.
• 与治疗相关的变量是最具预测力的,其次是心理指标;物理指标和人口统计数据的预测价值是可以忽略的.

结论:

• 在自然化的住院患者环境中,使用基线指标可以预测治疗反应.
• 机器学习算法,特别是规范化算法,与包括非线性和交互效应在内的模型相比,提供更好的预测性能.
• 心理健康的多样化方面具有增量预测价值,并且应作为治疗建模中的预后标志物纳入治疗模型.