文献检索与筛选
系统识别符合条件的研究，全面覆盖相关文献。
在PubMed和PsycINFO中检索2010年1月1日至2025年3月27日的文献，共获得3816条非重复记录，经筛选最终纳入155项研究。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
机器学习在情绪障碍治疗反应预测中的应用：系统综述与荟萃分析
Machine learning in the prediction of treatment response for emotional disorders: A systematic review and meta-analysis
实验完整度
高研究包含系统检索、明确纳入标准、多水平随机效应荟萃分析、调节因素元回归、诊断测试准确性荟萃分析及敏感性分析等，证据层级完整。
主要模型
情绪障碍患者数据集 系统综述与荟萃分析队列
重点核对
纳入155项研究，总样本量范围16至77,371 治疗类型包括药物、心理治疗、脑刺激及其他 预测因子类型包括临床、行为、神经影像、遗传等多模态数据 交叉验证类型包括简单分割、k折交叉验证、嵌套交叉验证 结局类别不平衡校正预处理（如SMOTE）及缺失数据处理
摘要
背景：抑郁和焦虑等情绪障碍影响着全球数百万人，并给公共卫生带来沉重负担。使用机器学习（ML）预测治疗反应以进行个性化治疗可能彻底改变治疗策略。然而，关于ML能否成功预测治疗结局的证据有限。本荟萃分析旨在评估ML算法在预测情绪障碍的循证心理治疗、药物治疗及其他治疗的二元治疗反应（应答者与非应答者）方面的准确性，并检验预测准确性的调节因素。方法：遵循PRISMA指南，在PubMed和PsycINFO中进行了全面的文献检索，时间范围从2010年1月1日至2025年3月27日。纳入的研究使用ML方法预测情绪障碍患者的治疗反应。提取的数据包括样本量、治疗类型、使用的预测因子、ML方法和预测准确性。采用荟萃分析技术综合结果并确定预测准确性的调节因素。结果：在3816条非重复记录中，155项研究符合纳入标准。总体平均预测准确性为0.76（95% CI: 0.74–0.78），平均曲线下面积为0.80，表明区分度良好。平均敏感性和特异性分别为0.73和0.75。调节因素分析表明，使用更稳健的交叉验证程序的研究显示出更高的预测准确性。与临床和人口统计学数据相比，作为预测因子的神经影像数据与更高的准确性相关。此外，结果显示，应答率较高的研究以及未对结局率不平衡进行校正的研究与更高的预测准确性相关。结论：ML方法在预测情绪障碍的治疗反应方面显示出前景，其准确性因所使用的预测因子类型和方法学程序的严谨性而异。未来的研究应侧重于提高方法学完整性，并探索多模态数据的整合以增强预测准确性。关键词：精准医学，机器学习，治疗，焦虑，抑郁，荟萃分析
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 机器学习算法预测情绪障碍治疗反应的总体准确度如何？哪些因素影响预测准确性？
- 核心机制
- ML算法（如支持向量机、随机森林、神经网络）能够捕捉数据中的非线性复杂模式，从而利用临床、神经影像等多模态数据预测个体治疗反应。
- 主要证据
- 基于155项研究的荟萃分析，总体平均准确度0.76，平均AUC 0.80；调节因素分析显示交叉验证、预测因子类型等影响准确性。
- 研究意义
- 研究结果支持ML在个性化医疗中的应用潜力，可帮助识别最可能受益于特定治疗的患者，并优化治疗决策。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
数据提取
提取研究特征、ML方法、预测因子和准确性指标。
两名评审员独立提取数据，不一致处由第三名评审员解决，提取研究特征（如发表年份、样本量、治疗类型）、ML方法（如算法类型、验证方法）、预测因子类型和准确性指标。
荟萃分析
定量综合预测准确性并评估总体效应。
使用R软件metafor和mada进行多水平随机效应模型分析，将准确率转换为对数优势比，计算总体平均准确率、AUC、敏感性和特异性，并检验异质性。
调节因素分析
探讨影响预测准确性的研究特征。
进行元回归分析，考察应答者比例、样本量、治疗类型、特征类型、验证方法等调节变量的影响。
诊断测试准确性荟萃分析
总结敏感性和特异性，评估AUC。
对于可推导混淆矩阵的研究，采用双变量正态模型对敏感性对数比和假阳性率进行荟萃分析，计算总体AUC。
稳健性与发表偏倚评估
检验主要结果的稳健性和潜在发表偏倚。
进行失安全数计算、漏斗图不对称秩相关检验和留一法敏感性分析，并采用稳健方差估计。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 文献检索 | 检索数据库包括PubMed和PsycINFO；检索时间范围2010年1月1日至2025年3月27日；检索词组合需包含机器学习、深度学习、情绪障碍相关术语及治疗相关术语；检索策略需遵循PRISMA指南。 阅读提示：Methods 2.1 Literature search |
| 纳入与排除标准 | 参与者诊断标准为情绪障碍；研究使用ML预测二元治疗反应或缓解；报告二分类准确性指标（准确率或AUC）；包含适当的数据划分方法；以英文发表于同行评审期刊。 阅读提示：Methods 2.2 Inclusion and exclusion criteria |
| 数据提取 | 提取研究特征、ML方法、预测因子和准确性指标；两名评审员独立提取，不一致由第三名解决。 阅读提示：Methods 2.3 Data extraction |
| 荟萃分析 | 使用R软件metafor和mada包；采用多水平随机效应模型；准确率转换为对数优势比；使用双变量模型分析敏感性和特异性；报告总体准确性、AUC、敏感性和特异性。 阅读提示：Methods Data Analysis |
| 调节因素分析 | 考察调节变量包括应答者比例、年龄、样本量、治疗持续时间、不平衡预处理、特征类型、特征选择方法、验证方法、缺失数据处理、算法类型、集成方法、治疗类型、结果类型、种族/民族和女性百分比；控制样本量作为协变量。 阅读提示：Methods Data Analysis, Results 3.3 Moderators |
| 稳健性与发表偏倚评估 | 进行失安全数计算、漏斗图不对称秩相关检验和留一法敏感性分析；采用稳健方差估计。 阅读提示：Results 3.4 Meta-analysis diagnostics and robust estimation |