在重大抑郁症中推进患者分层:基于真实世界的数据的临床阶段和机器学习预测模型的评估
Blanca Reneses1, Marta García-Huéscar2, Isabel Argudo3
1Institute of biomedical research IdISSC, Hospital Clínico San Carlos, Madrid, Spain; CIBERSAM (Centro de Investigación Biomédica en Red de Salud Mental), Spain; Complutense University, School of Medicine (UCM), Madrid, Spain.
Journal of affective disorders
|January 8, 2026
概括
大型抑郁症 (MDD) 的临床分期预后价值有限. 数据驱动的集群提供了稍微更好的预测,并可能改善MDD治疗中的患者分层.
科学领域:
- 精神病学和心理健康 精神病学和心理健康
- 机器学习在医学中的应用
- 临床预后 临床预后
背景情况:
- 大型抑郁症 (MDD) 需要有效的预后工具来进行个性化治疗.
- 目前的MDD临床分期模型可能在预测患者结果方面存在局限性.
- 无监督机器学习为数据驱动的患者分层提供了潜力.
研究的目的:
- 评估MDD临床分期模型的预后性能.
- 为了比较临床分期模型与基于无监督机器学习的分层方法的实用性.
- 用聚类方法在MDD患者中确定临床上有意义的子组.
主要方法:
- 一项对262名成年MDD门诊患者进行的纵向观察性研究.
- 在基线使用Hetrick和McGorry分期模型进行分类.
- 基线临床变量进行的K-平均集群;使用回归模型在9个月后续评估的预测有效性.
主要成果:
- 临床分期解释了随访症状严重程度变异的很小比例 (CGI,PHQ-9).
- 先进的临床阶段与更糟糕的结果有关,但效果大小小.
- 与临床分期相比,聚类确定了三个小组,其预后值适度,但优越.
结论:
- 对MDD的临床分期模型表明其解释能力有限.
- 基于无监督机器学习的集群提供了略高的预后价值.
- 聚类可能补充现有的分期方法,以加强MDD患者分层.
