作者：Francisco Tutella，宾夕法尼亚州立大学 2025 年 3 月 9 日
宾夕法尼亚州立大学的一项新研究表明，人工智能，特别是机器学习，可以帮助预测广泛性焦虑症 (GAD) 的长期恢复。
研究人员分析了 126 名 GAD 患者的 80 多个心理、社会人口和健康相关因素，确定了 11 个关键变量，这些变量可以预测康复情况，准确率高达 72%。
人工智能在预测焦虑康复方面的作用
广泛性焦虑症 (GAD) 是一种以持续且过度担忧至少六个月为特征的疾病，即使在治疗后也经常复发。宾夕法尼亚州立大学的研究人员表示，人工智能 (AI) 可以帮助预测长期康复情况，并允许制定更加个性化的治疗策略。
机器学习模型提供新见解
研究人员利用机器学习（一种人工智能）分析了 126 名被诊断为 GAD 的匿名个人的 80 多个因素（包括心理、人口统计、健康和生活方式变量）。数据来自美国国立卫生研究院的“美国中年”研究，该研究追踪了 25 至 74 岁成年人的健康状况，初步访谈于 1995-96 年进行。人工智能模型确定了 11 个最能预测九年内康复或不康复的关键变量，准确率高达 72%。研究结果发表在《焦虑症杂志》 3 月刊上。
“先前的研究表明 GAD 的复发率非常高，而且临床医生判断在预测长期结果方面的准确性也有限，”首席研究作者、宾夕法尼亚州立大学博士候选人 Candice Basterfield 说。 “这项研究表明，机器学习模型在预测谁能从 GAD 中恢复以及谁不能恢复方面表现出良好的准确性、敏感性和特异性。这些恢复预测因素对于帮助创建基于证据的个性化长期恢复治疗非常重要。”
恢复和未恢复的关键预测因素
研究人员通过两种机器学习模型运行基线变量：一种是线性回归模型，该模型检查两个变量之间的关系并沿近乎直线绘制数据点；另一种是非线性模型，该模型像树一样分支，分裂并添加新树并绘制它如何自我纠正先前的错误。这些模型确定了预测九年期间恢复或未恢复的 11 个关键变量，其中线性模型优于非线性模型。这些模型还确定了每个变量与其他变量相比在预测恢复结果方面的重要性。
“这项研究表明，机器学习模型在预测谁能从广泛性焦虑症中康复，谁不能康复方面表现出了良好的准确性、敏感性和特异性。”
康复中最具影响力的因素
研究人员发现，受教育程度较高、年龄较大、朋友支持较多、腰臀比较大和积极情绪较高（或感觉更开朗）对康复最为重要，依此类推。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会面的次数较多以及过去 12 个月内就诊的次数较多被证明对预测无法康复最为重要。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结果，发现预测的康复变量与 9 年期末未出现 GAD 症状的 95 名参与者一致。
个性化治疗：焦虑症护理的未来
研究人员表示，研究结果表明，临床医生可以使用人工智能识别这些变量，并为 GAD 患者（尤其是那些有复合诊断的患者）提供个性化治疗。
宾夕法尼亚州立大学心理学教授、资深作者米歇尔·纽曼 (Michelle Newman) 表示，近 50% 至 60% 的 GAD 患者患有合并抑郁症。她解释说，个性化治疗可以针对抑郁症，也可以治疗焦虑症。
“机器学习不仅关注单个预测因素，还帮助我们了解这些预测因素的权重（它们对康复或不康复有多重要）以及这些预测因素相互作用的方式，这是人类无法预测的，”纽曼说。
为量身定制的治疗奠定基础
研究人员指出，这项研究无法确定 GAD 在九年内的持续时间，因为它是一种慢性疾病，症状表现强烈的时期来来去去。但他们表示，这项研究为更有针对性的治疗奠定了基础。
“这项研究有助于我们开始了解更多针对特定个体的个性化治疗方式，”纽曼说。
参考文献：“基于机器学习的广泛性焦虑症自然病程多变量预测模型的开发”，作者：Candice Basterfield 和 Michelle G. Newman，2025 年 1 月 25 日，《焦虑症杂志》。
DOI：10.1016/j.janxdis.2025.102978
美国国立卫生研究院通过国家心理健康研究所支持了这项研究。
原文连接: https://scitechdaily.com/ai-identifies-11-key-factors-that-predict-anxiety-recovery/
2025年3月11日,顾震帝整理.