本页面由土耳其语自动翻译。 阅读原文

本页是借助人工智能编写的土耳其语摘要，介绍在第26届世界精神病学大会上报告的研究。研究归报告作者所有；引用时请查阅原始来源。

利用机器学习支持精神病性抑郁症治疗过程中不同时间点的决策：能否更早预测？

Using machine learning to support time-dependent treatment decisions in psychotic depression - is it possible to make earlier predictions?

基于每周症状数据训练的机器学习模型，最早可在第3周以具有临床实用价值的准确度预测精神病性抑郁症的治疗应答和缓解。

本研究旨在探讨机器学习（machine learning，ML）模型能否在精神病性抑郁症药物治疗过程中更早预测治疗应答和缓解，以及预测性能如何随治疗进程变化。数据来自荷兰大学抑郁症研究组（Dutch University Depression Group）的一项随机临床试验，纳入了119名接受丙米嗪、文拉法辛或文拉法辛联合喹硫平治疗的精神病性抑郁症患者。预测变量包括随时间变化的汉密尔顿抑郁量表（Hamilton Depression Rating Scale，HDRS）评分、精神病性症状、人口统计学变量以及既往抑郁发作情况；模型采用分层10折交叉验证（stratified 10-fold cross-validation）进行训练，并通过逐步纳入此前各周的症状数据，构建每周的预测模型。结局指标定义为第7周的治疗应答（HDRS评分下降超过50%）和缓解（HDRS评分≤7）；预测性能采用受试者工作特征曲线下面积（area under the curve，AUC）和平均绝对误差（mean absolute error，MAE）评估。缓解预测的AUC从基线的0.65升至第2周的0.80，并从第3周起超过0.90；治疗应答预测的AUC从基线的0.57升至第2周的0.74，并在第5周达到0.96。最终HDRS评分的预测误差随周数增加而逐渐减小（MAE从基线的8.80降至第6周的0.49），且总体而言，缓解比治疗应答更容易预测。作者指出，最早在第3周即可达到具有临床实用价值的预测准确度，基于机器学习的决策支持工具可能有助于更早识别无效治疗。

全部 WCP 2026 摘要