机器学习在情绪障碍治疗反应预测中的应用：一项系统综述与荟萃分析

背景：抑郁症和焦虑症等情绪障碍影响全球数百万人，对公共卫生构成重大负担。利用机器学习（ML）预测治疗反应的个性化治疗方法可能彻底改变治疗策略。然而，关于机器学习是否成功预测治疗结果的证据有限。本荟萃分析旨在评估机器学习算法在预测情绪障碍患者对循证心理疗法、药物疗法和其他治疗的二元治疗反应（应答者 vs. 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，于2010年1月1日至2025年3月27日期间在PubMed和PsycINFO数据库进行了全面的文献检索。纳入标准为使用机器学习方法预测情绪障碍患者治疗反应的研究。提取的数据包括样本量、治疗类型、使用的预测因子、机器学习方法和预测准确性。使用荟萃分析技术综合研究结果并识别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。总体平均预测准确率为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，使用更稳健交叉验证程序的研究表现出更高的预测准确性。与临床和人口统计学数据相比，使用神经影像数据作为预测因子与更高的准确性相关。此外，结果还表明，应答率较高的研究以及未校正结局比率不平衡的研究与更高的预测准确性相关。 结论：机器学习方法在预测情绪障碍的治疗反应方面显示出潜力，其准确性程度因所使用的预测因子类型和实施的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，并探索整合多模态数据以提高预测准确性。