在线抑郁查后自动化结果的影响的异质性:基于DISCOVER试验的二次机器学习分析
Matthias Klee1, Byron C Jaeger2, Franziska Sikorski3
1Department of General Internal Medicine and Psychosomatics, Heidelberg University, Im Neuenheimer Feld 410, Heidelberg, 69120, Germany, 49 62215632879.
JMIR AI
|August 25, 2025
概括
这项研究发现在线查后,定制,非定制或没有反的抑郁症症状减少没有显著差异. 个性化反并没有改善结果,这表明单独查对一些人来说可能是足够的.
科学领域:
- 数字心理健康
- 临床心理学
- 医疗保健中的机器学习
背景情况:
- 在线抑郁查工具旨在增加基于证据的护理.
- 之前的试验表明自动反没有改善抑郁症状.
- 个人需求和偏好的差异可能会影响反反应.
研究的目的:
- 调查在线抑郁查后针对性,非针对性或没有反的治疗效应 (HTE) 的异质性.
- 根据个体特征识别对反模式的差异反应.
主要方法:
- 使用因果森林,一种机器学习方法,以估计条件平均处理效应 (CATE).
- 分析了DISCOVER试验中的二次数据,重点关注中度抑郁症的参与者.
- 在6个月内使用患者健康问卷-9评估抑郁症严重性的变化.
主要成果:
- 与没有反相比,没有发现任何反条件的治疗效应 (HTE) 显著异质.
- 基于预测CATE的个性化反分配没有改变平均治疗效果 (ATE).
- 控制信念是被反影响的一个潜在因素.
结论:
- 因果森林没有显示HTE,表明对反模式的反应均.
- 基于预测CATE的治疗优先级没有增强平均治疗效果.
- 没有发现量身定制或非量身定制反的危害或益处的证据;未来的研究应该探索查的独立影响.
