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的长期恢复。研究人员分析了126名广泛性焦虑症患者的80多个心理、社会人口学和健康相关因素，识别出11个关键变量，可以以高达72%的准确率预测恢复情况。

人工智能在预测焦虑恢复中的作用

广泛性焦虑症患者即使在治疗后也经常经历复发。宾夕法尼亚州立大学的研究人员建议，人工智能可以帮助预测长期恢复，并允许更个性化的治疗策略。

机器学习模型提供新见解

使用一种称为机器学习的AI，研究人员分析了126名被诊断患有广泛性焦虑症的匿名个体的80多个因素，包括心理、人口学、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（MIDUS），该研究跟踪25至74岁成年人的健康状况。AI模型识别出在九年期间最能预测恢复或非恢复的11个关键变量，实现了高达72%的准确率。这些发现发表在《焦虑症杂志》2025年3月刊上。

恢复和非恢复的关键预测因素

研究人员通过两个机器学习模型运行了基线变量：一个线性回归模型和一个非线性模型。这些模型识别出在九年期间预测恢复或非恢复关键的11个变量，其中线性模型的表现优于非线性模型。这些模型还识别出每个变量在预测恢复结果方面与其他变量相比的重要性。

恢复中最有影响力的因素

研究人员发现，更高的教育水平、年龄较大、更多的朋友支持、更高的腰臀比和更高的积极情感（按此顺序）对恢复最重要。同时，抑郁情感、日常歧视、过去12个月内与心理健康专业人士的更多会面次数、以及过去12个月内看医生的更多次数被证明对预测非恢复最重要。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发现，发现预测的恢复变量与在九年期末未显示广泛性焦虑症症状的95名参与者相符。

个性化治疗：焦虑症护理的未来

这些发现表明，临床医生可以使用AI来识别这些变量，并为广泛性焦虑症患者个性化治疗，特别是对于那些有共病诊断的患者。近50%至60%的广泛性焦虑症患者有共病抑郁症。个性化治疗可以同时针对抑郁症和焦虑症。

“机器学习不仅关注个体预测因素，而且帮助我们理解这些预测因素的权重——它们对恢复或非恢复有多重要——以及这些预测因素相互作用的方式，这超出了人类可能预测的范围，”该研究的资深作者、宾夕法尼亚州立大学心理学教授Michelle Newman说。

为个性化治疗奠定基础

研究人员指出，该研究无法确定九年期间广泛性焦虑症的持续时间，因为它是一种慢性疾病，症状强烈表现的时期时有时无。然而，这项工作为更个体化的治疗奠定了基础。

参考原文：Candice Basterfield and Michelle G. Newman. “Development of a machine learning-based multivariable prediction model for the naturalistic course of generalized anxiety disorder”. Journal of Anxiety Disorders. 25 January 2025. DOI: 10.1016/j.janxdis.2025.102978.