Psychol. Med.： 精神病性抑郁症缓解的轨迹：通过机器学习识别病情恶化的预测因子

缓解型精神病性抑郁症（MDDPsy）的治疗结果具有异质性。本研究的目的是识别在继续治疗期间抑郁严重程度呈不同轨迹的缓解型精神病性抑郁患者亚群，并检测恶化轨迹的预测因素。

126 名年龄在 18-85 岁之间的患者参加了一项为期 36 周的随机安慰剂对照试验（RCT），该试验研究了在使用舍曲林加奥氮平治疗 MDDPsy 缓解后继续使用奥氮平的临床效果。该研究采用了潜类混合建模法来识别在 RCT 期间抑郁严重程度具有不同轨迹的参与者亚组。根据参与者的轨迹前特征，使用机器学习来预测这些轨迹中的成员。以下变量被选择作为可能的预测因素:社会人口统计学变量;研究地点;RCT基线时舍曲林和奥氮平的剂量；以及药物相关性帕金森综合征和静坐不能的急性期和稳定期指标，因为它们与精神运动性障碍重叠，而精神运动性障碍与MDDPsy的复发风险相关。

首先，根据情况使用卡方检验或独立双样本 t 检验比较 LCMM 确定的潜在轨迹的急性期基线特征和 RCT 基线特征。然后，使用机器学习算法--随机森林，利用上述预测因子预测各组轨迹的成员资格。简而言之，随机森林算法使用决策树来考虑预测因子之间复杂的相互作用，并在引导样本中对多个决策树的预测（通过多数投票）进行平均。通过使用基尼不纯指数（Gini Impurity Index）量化每个预测因子对预测误差的改善a程度，对预测因子的相对 "重要性 "进行排序。本文报告了能解释基尼系数累积减少量 70% 的预测因子集。

71名参与者（56.3%）属于抑郁评分轨迹稳定的亚组，55名参与者（43.7%）属于轨迹恶化的亚组。一个预测准确率很高（AUC 为 0.812）的随机森林模型发现，预测恶化亚组成员的最有力因素是缓解期开始时的残余抑郁症状，其次是 RCT 基线时的焦虑评分和终生首次抑郁发作的发病年龄。在将缓解期开始时的抑郁评分作为唯一预测变量的逻辑回归模型中，AUC（0.778）接近机器学习模型。

缓解期开始时的残余抑郁在预测已缓解的 MDDPsy 的恶化结果方面具有很高的准确性。需要开展研究，以确定如何最有效地优化有残余症状的精神病性 MDDPsy 的治疗效果。

原始出处：