超越基线严重程度：正念干预后抑郁症结果的时间和疾病特异性预测因素

arXiv:2610.08809v1 公告类型：新 摘要：慢性或急性疾病患者的抑郁严重程度受到基线心理状态、人口特征、临床背景和行为干预参与等复杂相互作用的影响。本文对多中心纵向临床队列进行了可解释的机器学习分析，以预测基于正念的干预参与后 12 周和 24 周的贝克抑郁量表 II (BDI-II) 评分。该研究使用人口统计变量、临床状况信息、医院中心标识符、基线 BDI-II 评分和治疗参与度指标来模拟短期和长期抑郁症结果。使用基于模型的随机插补程序解决了缺失的后续结果，以保持适度的样本量，同时保持结果的可变性。评估了五种回归模型，涵盖正则化线性回归和基于树的集成方法。 Ridge Regression 取得了最佳 12 周性能，RMSE 为 5.186，R^2 为 0.474，而 LightGBM 取得了最佳 24 周性能，RMSE 为 5.038，R^2 为 0.525。除了预测准确性之外，该分析还揭示了三种临床相关模式：基线严重程度仍然是最强的总体预测因素，短期结果与临床和医院背景​​的相关性更强，长期结果显示出对行为依从性和人口因素的更大依赖性。疾病特异性和分层亚组分析进一步表明，临床类别之间和内部的预测因子存在显着差异。这些发现支持使用可解释的、情境感知的模型来为基于正念的干预措施提供个性化的心理健康支持。