摘要：广泛性焦虑症 (GAD) 是一种持续且过度担忧至少六个月的疾病，患有该疾病的人即使在治疗后也经常会复发。宾夕法尼亚州立大学的研究人员表示，人工智能 (AI) 可以帮助预测长期康复情况，并允许制定更加个性化的治疗策略。

据宾夕法尼亚州立大学的研究人员称，机器学习模型可以帮助临床医生确定预测广泛性焦虑症患者是否会康复的因素，并有助于个性化患者治疗。

宾夕法尼亚州立大学的一项新研究表明，人工智能，特别是机器学习，可以帮助预测广泛性焦虑症 (GAD) 的长期恢复。

研究人员分析了 126 名 GAD 患者的 80 多个心理、社会人口统计和健康相关因素，确定了 11 个关键变量，这些变量可以预测康复情况，准确率高达 72% 。

广泛性焦虑症 (GAD) 是一种持续且过度担忧至少六个月的疾病，患有该疾病的人即使在治疗后也经常会复发。宾夕法尼亚州立大学的研究人员表示，人工智能 (AI) 可以帮助预测长期康复情况，并允许制定更加个性化的治疗策略。

研究人员利用机器学习（一种人工智能）分析了 126 名被诊断为 GAD 的匿名人士的 80 多个因素（包括心理、人口统计、健康和生活方式变量）。数据来自美国国立卫生研究院的“美国中年”研究，该研究追踪了 25 至 74 岁成年人的健康状况，初步访谈于 1995-96 年进行。人工智能模型确定了 11 个最能预测九年内康复或不康复的关键变量，准确率高达 72%。研究结果发表在《焦虑症杂志》 3 月刊上。

“先前的研究表明 GAD 的复发率非常高，而且临床医生在预测长期结果方面的判断准确性也有限，”主要研究作者、宾夕法尼亚州立大学博士候选人 Candice Basterfield 表示：“这项研究表明，机器学习模型在预测谁能从 GAD 中恢复以及谁不能恢复方面表现出良好的准确性、敏感性和特异性。这些恢复预测因素对于帮助创建基于证据的个性化长期恢复治疗非常重要。”

研究人员通过两种机器学习模型运行基线变量：一种是线性回归模型，该模型检查两个变量之间的关系并沿近乎直线绘制数据点；另一种是非线性模型，该模型像树一样分支，分裂并添加新树并绘制它如何自我纠正先前的错误。这些模型确定了预测九年期间恢复或不恢复的 11 个关键变量，其中线性模型优于非线性模型。这些模型还确定了每个变量与其他变量相比在预测恢复结果方面的重要性。

“这项研究表明，机器学习模型在预测谁会从广泛性焦虑症中康复，谁不会康复方面表现出了良好的准确性、敏感性和特异性。”——宾夕法尼亚州立大学首席研究作者、博士生 Candice Basterfield

研究人员发现，受教育程度较高、年龄较大、朋友支持较多、腰臀比较大和积极情绪较高（或感觉更开朗）对康复最为重要，依此类推。同时，抑郁情绪、日常歧视、过去 12 个月内与心理健康专业人士会面的次数较多以及过去 12 个月内就诊的次数较多被证明对预测无法康复最为重要。研究人员通过将机器学习预测与 MIDUS 数据进行比较来验证模型结果，发现预测的康复变量与 9 年期末未出现 GAD 症状的 95 名参与者一致。

研究人员表示，研究结果表明，临床医生可以使用人工智能来识别这些变量，并为 GAD 患者（尤其是那些具有复合诊断的患者）提供个性化治疗。

宾夕法尼亚州立大学心理学教授、资深作者 Michelle Newman 表示，近 50% 至 60% 的 GAD 患者同时患有抑郁症。她解释说，个性化治疗可以针对抑郁症，也可以治疗焦虑症。

“机器学习不仅关注单个预测因子，还能帮助我们了解这些预测因子的权重（即它们对恢复或不恢复的重要性）以及这些预测因子相互作用的方式，这是人类无法预测的，” Newman 说。

研究人员指出，这项研究无法确定 GAD 在九年内的持续时间，因为这是一种慢性疾病，症状表现强烈的时期时有时无。但他们表示，这项研究为更有针对性的治疗奠定了基础。

Newman 说：“这项研究有助于我们开始了解更多针对特定个体的个性化治疗方式。”

美国国立卫生研究院通过国家心理健康研究所支持了这项研究。

参考文献：Candice Basterfield 和 Michelle G. Newman 撰写的“基于机器学习的广泛性焦虑症自然病程多变量预测模型的开发”，2025 年 1 月 25 日，《焦虑症杂志》。DOI：10.1016/j.janxdis.2025.102978

来源：康嘉年華