用于预测每日吸烟行为和戒烟治疗结果的快速、可靠的计算决策标记

成瘾涉及快速波动的情绪和基于价值的决策过程，这些过程会削弱戒烟努力，但在临床意义的时间尺度上捕捉这些动态仍然具有挑战性。标准的认知决策任务耗时且需要多次试验才能获得可靠的参数估计，限制了其在纵向和现实世界环境中的使用。在此，我们开发了一个基于智能手机的快速框架，将生态瞬时评估（EMA）与自适应设计优化（ADO）相结合，ADO是一种贝叶斯方法，能够从每次任务仅20-30次试验中可靠估计计算决策参数。我们在N=79名接受5-6周戒烟计划的个体中测试了该框架，他们每天完成基于ADO的延迟折扣和风险/模糊性任务，同时进行EMA调查，评估吸烟行为、渴望、压力、情绪、焦虑和药物依从性。在日常水平上，升高的渴望、抑郁症状和模糊容忍度预测了第二天吸烟增加，而较低的折扣率和降低的渴望和压力预测了治疗结束时的戒烟成功。对于后者，使用第一周数据的模型实现了有意义的预测性能（平均AUC=0.76），接近结合了全研究期间任务和调查数据的模型所观察到的上限性能（平均AUC=0.83）。总之，这些发现表明，通过EMA快速、低负担的基于ADO的决策任务传递可以捕捉戒烟治疗期间临床相关的动态脆弱状态。该方法为识别可能促进或阻碍戒烟成功的认知标记，并为尼古丁成瘾及相关精神疾病的个性化、时间敏感的干预策略提供信息，提供了一种有前景的方法。