人工智能可能帮助临床医生个性化治疗广泛性焦虑障碍

患有广泛性焦虑障碍（GAD）的个体，其特征是至少持续六个月的每日过度担忧，即使在接受治疗后也有很高的复发率。宾夕法尼亚州立大学的研究人员表示，人工智能（AI）模型可能有助于临床医生识别预测长期恢复的因素，并更好地个性化患者的治疗。

研究人员使用了一种称为机器学习的人工智能形式，分析了126名被诊断为GAD的匿名个体的80多个基线因素，这些因素包括心理、社会人口统计学、健康和生活方式变量。数据来自美国国立卫生研究院的一项纵向研究——“中年的美国”，该研究自1995-1996年起对大陆美国25至74岁的居民进行健康数据采样。机器学习模型在九年后识别出11个对预测恢复和非恢复最重要的变量，准确率达到72%。

研究人员在《焦虑障碍杂志》3月刊上发表了他们的发现。

“先前的研究表明，GAD的复发率非常高，而且临床医生在预测长期结果方面的准确性也有限，”宾夕法尼亚州立大学的首席研究作者兼博士候选人Candice Basterfield说。“这项研究表明，机器学习模型在预测谁会从GAD中恢复以及谁不会恢复方面显示出良好的准确性、敏感性和特异性。这些恢复预测因子对于帮助创建基于证据的个性化长期恢复治疗非常重要。”

研究人员将基线变量通过两个机器学习模型运行：一个线性回归模型，该模型检查两个变量之间的关系并将数据点沿几乎直线绘制；另一个是非线性模型，该模型像树一样分支，分裂并添加新的树，并绘制它如何自我纠正之前的错误。这些模型识别出在九年期间预测恢复或非恢复的11个关键变量，线性模型的表现优于非线性模型。模型还识别出每个变量相对于其他变量在预测恢复结果中的重要性。

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、较高的腰臀比和更高的积极情绪（感觉更愉快）是预测恢复最重要的变量，按此顺序排列。同时，抑郁情绪、日常歧视、过去12个月内与心理健康专业人士的会话次数更多以及过去12个月内看医生的次数更多则是预测非恢复最重要的变量。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，发现预测的恢复变量与九年期结束时没有GAD症状的95名参与者相符。

研究人员认为，临床医生可以使用AI来识别这些变量，并为GAD患者个性化治疗，尤其是那些有合并诊断的患者。

据宾夕法尼亚州立大学心理学教授Michelle Newman介绍，大约50%到60%的GAD患者伴有抑郁症。她解释说，个性化治疗不仅可以针对抑郁症，还可以治疗焦虑症。

Newman说：“机器学习不仅关注单个预测因子，还有助于我们理解这些预测因子的权重——它们对恢复或非恢复有多重要——以及这些预测因子之间的相互作用，这是人类可能无法预测的。”

研究人员指出，该研究无法确定GAD在九年期间的持续时间，因为这是一种慢性疾病，症状强烈表现的时期会有起伏。然而，他们表示，这项工作为更个性化的治疗奠定了基础。

Newman说：“这项工作帮助我们开始理解更多方法，使治疗能够针对特定个体进行个性化。”

(全文结束)