微随机试验设计与随机化
在决策点水平比较基于ML的EMI组件分配与随机分配对近端结局的效应。
被试内微随机试验，参与者每天最多7次、30天内最多210个决策点，按1:1比例随机接受基于ML或随机的EMI组件分配。
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
基于机器学习的生态瞬时干预促进青少年心理健康：一项微随机试验
A machine learning-based ecological momentary intervention for mental health promotion in youth: a micro-randomized trial
实验完整度
中被试内微随机试验，含近端结局因果检验、可行性与安全性评估及非对照前后比较，但样本量小于计划且无个体水平对照
主要模型
49名14-25岁青少年参与者 AI4U智能手机应用的生态瞬时评估与干预体系 基于RNN的动态系统重建预测模型 心理咨询服务与一般人群招募的青少年队列
重点核对
随机分配比例1:1，每天最多7次决策点，30天训练期，最多210个决策点 近端结局为tn+1时刻的积极情感、消极情感和瞬时心理韧性，EMA采用7点Likert量表 RNN模型超参数：潜在状态维度=30，基函数数量=20，教师强制强度=0.4，学习率=10^-3，训练轮数=1000 模型夜间重新训练的最低数据标准：平均每天至少1.5个数据点且总计至少20个数据点 MRT分析使用R包MRTAnalysis 0.1.2的wcls()函数，估计边际因果探索效应
摘要
基于机器学习（ML）分配算法的生态瞬时干预（EMI）可能通过提供更个性化的内容改善心理健康结局，但证据尚待补充。本研究旨在确定，在来自一般人群和心理咨询服务的青少年中，与随机分配相比，基于ML的EMI组件分配是否能增强对瞬时心理健康结局的效应。研究开展了一项被试内微随机试验。参与者每天被随机分配最多七次（1:1比例；最多210个决策点），接受基于ML的（实验条件）或随机的（主动对照条件）EMI组件分配。近端结局为tn+1时刻积极情感、瞬时心理韧性和消极情感的时间滞后变化。评估了可行性和安全性。远端结局包括心理困扰、心理韧性和情绪调节。共纳入49名青少年（平均年龄20.6岁；78%为女性）。基线时，参与者平均报告轻至中度心理困扰（K10均值=23.8，SD=7.1），超过三分之一报告中度或重度困扰。观察到初步的、结局特异性的信号，即瞬时心理韧性方面基于ML的分配优于随机分配（B=0.147，95%置信区间（CI），0.004–0.290，p=0.044），而未发现对积极或消极情感有获益效应的证据。可行性指标支持AI4U培训的实施，满意度、可接受性和可用性评分良好；未报告严重不良事件。非对照的前后比较提示心理困扰小幅降低（d=−0.23），心理韧性（d=0.55）和适应性情绪调节（d=0.53）改善。总之，本研究证明了对青少年实施基于ML的自适应EMI的可行性和初步安全性，并提供了初步的、结局特异性的信号，表明基于ML的分配相对于随机分配可能改善瞬时心理韧性，同时强调需要更大规模、有充分把握度的MRT，并正式验证预测性能是否能转化为策略价值。
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
- 在青少年中，与随机分配相比，基于机器学习的EMI组件分配是否能增强对瞬时心理健康结局的近端效应，并评估其可行性与安全性。
- 核心机制
- 利用基于RNN的动态系统重建模型，根据个体EMA数据和既往EMI动态预测不同EMI组件下的未来EMA轨迹，并据此概率化分配EMI组件。
- 主要证据
- 被试内微随机试验中，49名参与者进入决策点随机化，42名纳入近端MRT分析；基于ML的分配在瞬时心理韧性上显示小且具有统计学意义的近端获益（B=0.147，95%CI 0.01–0.29，p=0.044），而在积极情感（p=0.839）和消极情感（p=0.103）上无获益证据；可行性指标良好且无严重不良事件。
- 研究意义
- 本研究支持基于ML的自适应EMI在青少年心理健康促进中的可行性和初步安全性，并提供结局特异性的初步信号，但未确立预测模型校准最优或预测性能可转化为策略价值，需更大规模MRT和正式验证。
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。
AI4U培训实施
在日常生活情境中实施EMA-informed、ML-based的自适应EMI，并评估可行性与安全性。
通过movisensXS平台实施40天AI4U培训（10天导入期和30天训练期），包括EMA提示和八种EMI组件，并提供AI4U仪表盘。
RNN模型训练与更新
利用个体EMA时间序列建模动态系统，预测不同EMI组件下的未来EMA轨迹以指导组件分配。
使用基于RNN的动态系统重建模型，以EMA观测和EMI二值输入训练，最小化预测与观测EMA的均方误差；10天导入期后训练首个个体化模型，训练期内每晚重新训练。
基于ML的组件分配
根据预测获益评分概率化选择最优EMI组件。
对每个EMI触发事件，在ML决策规则下，将候选EMI组件作为外部输入模拟未来EMA轨迹，计算预测获益评分，通过softmax转换为选择概率并采样最终组件。
近端结局评估与分析
估计基于ML vs 随机分配对tn+1时刻近端结局的边际因果探索效应。
使用R包MRTAnalysis 0.1.2的wcls()函数，对积极情感、消极情感和瞬时心理韧性进行时间滞后连续近端结局分析。
可行性与安全性评估
评估招募、评估完成、依从性、满意度、可用性和安全性。
使用MARS和MAUQ量表评估应用质量和可用性，记录严重不良事件。
远端结局前后比较
探索心理困扰、情绪调节和心理韧性的非对照前后变化。
基线及40天训练后评估K10、CERQ-short和CD-RISC，使用配对t检验比较。
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
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 干预实施与EMA评估 | movisensXS应用1.6.2-beta.4版 | movisens GmbH | -- |
| 统计分析 | MRTAnalysis包0.1.2版 | -- | -- |
| R 2023.12.1版 | -- | -- | |
| STATA 15.1 | StataCorp | -- |
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 |
|---|---|
| 微随机化与随机分配 | 随机化比例1:1，每天最多7个决策点，训练期30天，最多210个决策点，受试者内设计 阅读提示：Methods中的Randomization小节及Study design |
| AI4U培训实施 | 40天培训周期（10天导入期+30天训练期），八种EMI组件，EMA提示频率导入期每天8次、训练期每天6次 阅读提示：Methods中的Intervention: ML-based, adaptive EMI (AI4U training)小节及Measures |
| RNN模型训练与更新 | RNN架构参数（30单元、15输出单元、潜在状态维度30、基函数20、教师强制0.4、学习率10^-3、1000轮），夜间重训最低数据标准（至少1.5点/天且总计至少20点） 阅读提示：Methods中的RNN architecture and model inputs、Model training and updating及Data preprocessing and minimum-data criteria |
| 基于ML的组件分配 | 预测后续6个EMA时间步，预测获益评分计算方式，softmax温度参数β=1 阅读提示：Methods中的ML-based component assignment小节 |
| 近端结局评估与分析 | 近端结局为积极情感、消极情感、瞬时心理韧性，EMA为7点Likert量表，MRT分析仅限交互/自适应任务决策点，分析样本N=42 阅读提示：Methods中的Measures、Statistical analysis及Results中的Proximal effects小节 |
| 可行性与安全性评估 | MARS条目1-5评分、感知影响0-5评分，MAUQ条目1-7评分，严重不良事件记录 阅读提示：Methods中的Feasibility and safety小节 |
| 远端结局前后比较 | 基线及40天训练后评估K10、CERQ-short和CD-RISC，N=44，无个体水平对照条件 阅读提示：Methods中的Distal outcomes小节及Results中的Uncontrolled pre-post changes in distal outcomes |