预测心肌梗死后抑郁和焦虑症状的网络心理治疗依从性:来自U-CARE心脏随机对照试验的机器学习见解gydF4y2Ba

简介gydF4y2Ba

心肌梗死(MI)每年折磨超过700万人，使其成为由心血管疾病(CVD)引起的最常见的急性心脏事件，CVD是世界上死亡的主要原因[gydF4y2Ba1gydF4y2Ba］．急性心肌梗死后，需要改变行为以降低再梗死、中风和死亡的风险。重要的健康促进行为包括戒烟、定期运动、健康饮食和坚持服药[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba］．gydF4y2Ba

大量心肌梗死患者还伴有焦虑、抑郁或两者兼有的症状(MI- anxdep)。与一般心肌梗死患者相比，MI- anxdep患者的危险因素负担更高，预后更差[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba］．因此，除了规定的身体活动外，心理支持也被建议作为MI-ANXDEP患者的治疗方法，以减轻情感性症状[gydF4y2Ba6gydF4y2Ba-gydF4y2Ba8gydF4y2Ba]，进而促进促进健康的行为改变，以降低心脏病风险[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba9gydF4y2Ba］．以认知行为疗法(CBT)为形式的心理支持已显示出对几种常见精神疾病心理症状的有效性。互联网提供的认知行为治疗(iCBT)是面对面认知行为治疗的一种经济有效的版本[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba然而，这对病人的阅读和写作能力有很高的要求。在一项抑郁症荟萃分析(n=40项研究)中，iCBT患者的退出率为57%。子分析显示，治疗师支持的iCBT和管理员支持的iCBT分别有28%和38%的退出。这些流失率是巨大的，建议进一步研究iCBT的依从性。虽然遵守国际通信bt并不是国际通信bt有效性的保证，但可以说，遵守国际通信bt是可能产生国际通信bt效果的先决条件，因此值得单独研究[gydF4y2Ba12gydF4y2Ba］．gydF4y2Ba

多中心乌普萨拉大学心理社会护理计划(U-CARE)心脏研究是第一个测试治疗师支持的iCBT治疗MI-ANXDEP患者有效性的随机对照试验[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba］．U-CARE心脏试验设计可以说具有较高的生态(临床常规)有效性[gydF4y2Ba14gydF4y2Ba]与其他依赖自我转诊并采用更严格的纳入/排除标准的iCBT试验相比[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba］．U-CARE Heart对iCBT的依从性也相对较低，这反过来在组比较水平上缺乏效果[gydF4y2Ba13gydF4y2Ba］．对于未来的iCBT传播，在生态有效条件下评估iCBT的效果和实际效用至关重要[gydF4y2Ba17gydF4y2Ba如U-CARE Heart，并探索在这种情况下，如果低依从性是一个问题，那么预测依从性的因素。已就医疗依从性对心血管病人的治疗依从性进行了彻底调查[gydF4y2Ba18gydF4y2Ba但对MI-ANXDEP患者提供的iCBT没有影响。gydF4y2Ba

治疗依从性通常是一个多因素现象。iCBT的坚持和有效性与高等教育、老年和女性有关[gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba］．除了这些背景预测因素，患者动机[gydF4y2Ba12gydF4y2Ba]和治疗可信度[gydF4y2Ba19gydF4y2Ba]已被发现可大大增强对iCBT的依从性。就MI-ANXDEP心理症状学而言，患者对iCBT治疗的动机和信念也可能与心脏相关的焦虑和抑郁症状严重程度以及关于iCBT有效性的安慰剂既往情况有关。所谓的治疗联盟，即在个人心理治疗期间寻求发展的患者-治疗师纽带，也被发现有利于iCBT的坚持[gydF4y2Ba12gydF4y2Ba］．此外，研究一些心血管变量的相对预测能力是值得的，因为躯体疾病的严重程度也可能影响MI-ANXDEP患者对iCBT的坚持。gydF4y2Ba

目前的iCBT U-CARE心脏研究设计提供了一组尚未以这种方式评估的额外预测因子，即基于患者为响应标准化家庭作业而写的文本的语言变量。句法结构和词语使用在某种程度上已经与焦虑和抑郁有关[gydF4y2Ba21gydF4y2Ba-gydF4y2Ba23gydF4y2Ba]，在申请网上抑郁症治疗时使用的字数已被证明与依从性相关[gydF4y2Ba24gydF4y2Ba］．在U-CARE心脏研究中，在治疗开始时记录文本，可以使用语言程序从这些文本中提取各种定量变量。然后，在我们的研究中，这些摘录被建模为附加的语言预测因素。更注重口头表达和参与的患者可能会写更长更复杂的文本，也会更好地坚持口头要求的治疗，如iCBT。也有可能，这些语言预测因素在某种程度上是其他既定的依从性预测因素(如动机、治疗可信度和治疗联盟)的代理，因此作为代理将具有预测能力。我们认为，除了iCBT依从性的已知预测因素(如教育程度、年龄、性别和症状严重程度)外，这些语言预测因素可能有助于预测模型的灵敏度。gydF4y2Ba

我们研究的目的是调查在治疗开始前可用的预测因子(初始作业反应)是否能预测MI-ANXDEP患者首次随访时对iCBT治疗的依从性。为此，我们将当代机器学习程序应用于U-CARE心脏数据，以管理相对大量的预测因子和复杂的协方差结构。我们假设症状严重程度、年龄、性别、教育程度和语言行为可以预测治疗的依从性。我们还假设，症状更严重、年龄更小、是女性、受过高等教育、在任务反应中使用更多的单词与坚持iCBT呈正相关。gydF4y2Ba

方法gydF4y2Ba

治疗和研究样本gydF4y2Ba

患者的招募、治疗和随访已在其他地方详细描述[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba，gydF4y2Ba25gydF4y2Ba］．总之，该试验招募了来自25家瑞典医院的239名患者，并将122名患者随机分为对照组，117名患者在治疗师指导下自行定制的14周iCBT治疗。在这117名患者中，27名患者没有对任何家庭作业做出回应，由于缺乏所有语言变量的数据而被排除在外。这提供了一个90名患者的研究样本。治疗模块包括由患者完成的家庭作业，并由持牌心理学家提供反馈。心理学家通过门户信息系统与病人交流。前两份家庭作业对所有患者都是标准化的。这种标准化消除了复杂的患者-心理学家互动的问题，这种互动本质上是动态的。在前两次任务后，治疗是自行定制的。治疗包括对理性与非理性思维原则的心理教育，逐步暴露于可怕的刺激，抑郁行为中的负反馈循环，以及放松训练，提高沟通技巧，针对长期目标的额外行为改变，以及预防复发。gydF4y2Ba

结果和初始预测因子的选择gydF4y2Ba

结果变量是二分的:坚持被定义为完成3个或更多的家庭作业(≥21%的总治疗)，不坚持被定义为完成少于3个家庭作业。选择这个截止点的部分原因是，它与确定谁在完成最初的2个标准化家庭作业后继续进行U-CARE心脏治疗的自定义部分与谁没有继续相关。此外，所选的截断点为机器学习过程呈现了相当平衡的类，这对它在中等大小的数据下正常工作很重要[gydF4y2Ba26gydF4y2Ba］．心理学(EO, JW, FN)，心脏病学(CH)和语言学(EG)专家选择了34个心理测量学，语言学，临床和人口统计学类型的初始预测因子。看到gydF4y2Ba表1gydF4y2Ba有关预测器的进一步详细信息。gydF4y2Ba

语言因素gydF4y2Ba

语言预测因素是从患者对第一个标准化家庭作业的回答中提取出来的，该作业包括一个介绍性文本和为患者设计的8个问题，以描述他们的MI、相关的心理反应、目前的心理状态、目前的社会支持以及患者对iCBT治疗的期望。实际上，患者在完成家庭作业之前就可以接触到相同的材料[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba］．由于患者在回答问题之前已经阅读了示例答案和介绍性文本，因此在回答问题时，患者的词汇选择可能在实质上，但也同样是预先准备好的。所调查的语言因素包括(1)使用的字数，(2)平均句子长度，(3)形容词或副词的归一化频率(结果为n/1000词)，(4)所有格代词的归一化频率，(5)人称代词的归一化频率，(6)患者是否提到MI，以及(7)一组预先指定的关键词相互使用的频率(在标准化问题和患者回答中都使用)。预测因子1至7的选择是基于它们可能表明iCBT的依从性，作为言语技能、社会经济地位和治疗投资的可能代理，所有这些都可以说是iCBT依从性的重要因素。看到gydF4y2Ba多媒体附件1gydF4y2Ba有关语言预测因子的进一步细节。gydF4y2Ba

归责gydF4y2Ba

34个预测因子中有5个数据缺失，按缺失比例排序:每周饮酒标准杯数，11% (10/90);Bmi, 10% (9/90);心率，7% (6/90);收缩压，7% (6/90);心肌梗死入院与研究随机化之间的天数为4%(4/90)。因此，缺失值相对较少，不认为是完全随机缺失(MCAR)，相反，它们的缺失被认为与其他测量变量(MAR)有关。我们也没有强加结果。因此,gydF4y2BakgydF4y2Ba最近邻居(gydF4y2BakgydF4y2Ba-NN)用最接近的病例数(gydF4y2BakgydF4y2Ba)设置为3，所有缺少值的变量都输入中位数gydF4y2BakgydF4y2Ba值。的gydF4y2BakgydF4y2Ba-NN是一个完善的算法，用于基于广义距离度量来输入数值变量和分类变量[gydF4y2Ba33gydF4y2Ba，gydF4y2Ba34gydF4y2Ba］．在本研究中，使用豪尔距离度量[gydF4y2Ba35gydF4y2Ba］．如果gydF4y2BakgydF4y2Ba，算法从中借用值来处理缺失值的情况，并将其设为低值(例如，gydF4y2BakgydF4y2Ba≤3)，归责用gydF4y2BakgydF4y2Ba-NN还保留了大量数据的底层相关结构。gydF4y2Ba

预测建模gydF4y2Ba

依从性是一个多因素问题[gydF4y2Ba18gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba]，提出了一个多变量预测模型。为了测试预测因子的相对力量，一种有用的方法是根据变量的相对重要性来衡量变量，以解决预测依从性和不依从性的二元分类问题。布雷曼随机森林模型[gydF4y2Ba36gydF4y2Ba，gydF4y2Ba37gydF4y2Ba]是一种完善的集成方法，通常对中等大小的数据表现良好，对多重共线性和有害变量不敏感，并且以前对MI患者数据工作良好[gydF4y2Ba38gydF4y2Ba］．这些模型特征适用于本研究中多种高度相关的心理测量指标和90例MI-ANXDEP患者。随机森林还自动模拟线性和高阶效应，这与主要研究目标一致，即估计一系列预测因子的总相对重要性。gydF4y2Ba

尽管随机森林已经有内置的交叉验证控制，通过其“out-of-bag”预测进行过拟合，但我们在分类器周围添加了第二个包装层，其形式是通过3×10-fold交叉验证重新采样的递归特征消除(RFE)进行向后算法预测器选择[gydF4y2Ba39gydF4y2Ba］．这样做是为了进一步降低过拟合的风险，并消除最终特征选择中的人为偏差。常规的k-fold交叉验证将数据划分为k个部分，然后对模型进行k次训练，每次保留属于其中一个折叠的数据，并在相应的保留折叠上测试每个训练过的模型。建模结果通常在重新采样的褶皱中平均。重复交叉验证是常规k-fold交叉验证的扩展，其中对于每次常规交叉验证，数据再次被随机划分为k-fold。由于随机森林被用作RFE重采样中的分类器，该过程优化了分类精度，并且预测因子根据随机森林集成决策树中节点杂质(基尼重要性)的减少进行排名。gydF4y2Ba

额外的数据gydF4y2Ba

如果没有不同的表述，我们报告分类变量为计数(%)，数值变量为算术平均值(SD)，gydF4y2BaPgydF4y2Ba二元显著性检验的值设为5%，二元结果(坚持与不坚持)的预测精度为95%置信区间。gydF4y2Ba

编码gydF4y2Ba

语言数据预处理采用语料库工具AntConc version 3.4.4m(早稻田大学)[gydF4y2Ba40gydF4y2Ba，一个用于索引和文本分析的语料库工具包。语言数据也用注释gydF4y2Ba〇词性gydF4y2Ba瑞典语的tagger(斯德哥尔摩大学)[gydF4y2Ba41gydF4y2Ba］．分析在R版本3.4.0(统计计算R基础)中完成[gydF4y2Ba42gydF4y2Ba使用包gydF4y2Ba脱字符号,数据。Table, foreign, ggplot2, ggpubr, ggthemes, mice, scales, tableone，gydF4y2Ba而且gydF4y2BaVIMgydF4y2Ba．gydF4y2Ba

结果gydF4y2Ba

描述性数据可在gydF4y2Ba表1gydF4y2Ba．坚持iCBT的患者更多是女性，与那些不坚持iCBT的患者相比，他们有更高的自评心脏焦虑和心脏焦虑，特别是与恐惧和注意力有关。有依从性的患者在家庭作业中也使用较多的词汇和互用词汇。随着年龄的增长和自我评价抑郁程度的提高，依从性有增加的趋势。依从者和非依从者在教育程度、是否瑞典出生、公民身份、教育程度、临床特征、从心肌梗死到治疗分配的天数或首选接触方式方面没有显著差异。gydF4y2Ba

在imputation之后，应用RFE特征选择程序来提取最有效的预测因子，用于分类追随者和非追随者。gydF4y2Ba图1gydF4y2Ba为基于预测精度优化的重采样结果和RFE选择的最终最优模型。这个最终模型使用了56%(19/34)的预测因子，并且表现明显优于随机模型(精度0.64,95% CI 0.61-0.68，gydF4y2BaPgydF4y2Ba<.001)，但仍有提高视力的空间。gydF4y2Ba

图2gydF4y2Ba根据RFE，将19个最重要的预测因素中的每一个的主要结果绘制成图，通过它们对追随者和非追随者分类的重采样相对重要性，显示6个最有效的预测因素是心脏焦虑问卷(CAQ)恐惧、性别、字数、CAQ总数、平均句子长度和相互字数。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

我们的研究测试并比较了现有的和新的预测因素对14周治疗师支持的iCBT的依从性，使用来自瑞典25家医院的90名MI-ANXDEP患者的数据，并在U-CARE心脏临床试验中随机接受治疗。预测的时间点是在完成第一个家庭作业之后，因此可以研究从实际书面行为中提取的先前未测试的语言预测因子，以及先前建立的预测因子。一个强大的机器学习程序筛选出了治疗结束时评估依从性的最有效预测因素，这些预测因素包括自我评估的心脏恐惧、性别、字数、自我评估的一般心脏焦虑、平均句子长度和相互使用的字数。gydF4y2Ba

临床解释及可能的意义gydF4y2Ba

一般心脏焦虑和特定心脏恐惧的症状都是最强的预测因素，就症状和机制重叠的程度而言，这证实了先前的发现，即抑郁症与心脏康复坚持程度增加有关[gydF4y2Ba43gydF4y2Ba］．考虑到各自的症状，与目前的治疗直接相关的心脏焦虑更有可能比抑郁更强烈地引发活动。抑郁和焦虑是高度相关的，这也许可以解释被引用的研究结果。因此，报告高度抑郁的患者和报告高度焦虑的患者已经承认他们有问题。总的来说，考虑到基于焦虑的预测因素的强度，那些相对不那么担心的MI-ANXDEP患者，一般来说，特别是关于他们的心脏，不太可能坚持专门针对这些症状的治疗，这似乎是合理的。我们的研究还发现，女性性别是依从性的重要预测因素，与iCBT试验数据一致，证实男性在基于网络的抑郁症干预中有更高的退出率[gydF4y2Ba20.gydF4y2Ba］．虽然不能互换，但辍学与坚持不良有一定的联系。gydF4y2Ba

另一方面，我们的研究结果并没有重复之前确定的其他iCBT依从性预测因素，如教育程度和年龄[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba]，可能是由于MI-ANXDEP患者群体相对较老，或本研究的招募程序相对于以往的大部分iCBT研究不同。酒精也不是一个预测因素，这可能是由于研究样本中问题饮酒的水平普遍较低。尽管与其他iCBT研究相比，U-CARE心脏纳入物具有相对较高的生态效度，但我们仍然选择了患者，排除了例如有自杀倾向的患者。此外，医院焦虑和抑郁量表(HADS)对抑郁症的预测能力较弱，尤其是与焦虑症状及其强大的预测能力相比，这令人费解。这可能是由于在自杀风险的基础上排除了严重的抑郁症状，而没有对非常高的焦虑症状进行这样的筛查。话虽如此，HADS焦虑并不是一个有用的预测指标，这可能表明特定HADS量表的心理测量缺陷。因此，更多的心脏特异性焦虑量表CAQ似乎与MI-ANXDEP患者的依从性更相关。此外，试验之外的其他持续治疗(如精神活性药物和第三方咨询)并不能预测iCBT的依从性。值得注意的是，对从相对发达的瑞典医疗保健系统寻求额外外部治疗的患者没有限制。这也许可以解释通过应用于症状严重程度和寻求治疗的内稳态原则的无效发现。 In a relatively free and rich society, particularly severe symptomatology should be compensated for by such patients seeking and receiving multimodal treatment as needed. If so, these factors might cancel each other out with respect to both the need for and adherence to iCBT.

我们还发现，基于书面语言反应的新型语言预测因子预测了依从性。字数可能是语言流畅性和患者在治疗中的努力程度的代表，相互字数可能是治疗联盟程度的代表，这在一定程度上证实了先前关于治疗联盟和其他促进iCBT坚持的相互关联概念的研究[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba43gydF4y2Ba］．与之前已知的预测因子一起，这些语言预测因子可以改善患者可能坚持治疗的风险分层。这为寻求降低iCBT治疗失败的未来临床研究提供了一条很大程度上尚未探索的路线，并可能导致进一步调整有限的治疗资源，以提高成本效益和降低临床护理中的人类痛苦。gydF4y2Ba

虽然可以说还需要做更多的工作，但书面反应的数据收集、预处理和分析可以在相当程度上实现自动化，因此目前缺乏现成的临床应用可能不会成为未来的障碍。可以构建一个预测依从性的自动化工具，然后可能被临床医生用作决策支持工具。此外，该工具还可以确定患者低依从性的风险，这可能会使MI-ANXDEP患者的治疗方案更客观、更准确，与当今临床研究和护理中通常用于对抗低依从性的猜测和粗略的截断相比。所谓的人工智能和相关的监督机器学习应用，目前正在迅速研究和广泛实施，也可能有助于更好地解决预测网络治疗依从性的临床相关问题。gydF4y2Ba

局限性和优势gydF4y2Ba

本研究的一个局限性是样本量。虽然目前U-CARE心脏研究是迄今为止针对MI-ANXDEP患者的最大iCBT试验，但它提供的可靠性估计有限。样本太小，无法细分，无法对那些只有抑郁或焦虑的人进行更详细的分析。然而，在目前样本量的限制下，不允许外部验证数据集，鉴于(a)应用的预测建模程序经过了可靠的交叉验证，(b)从25家医院招募的全国覆盖率非常好，(c)招募的患者与常规临床护理非常相似，研究结果的泛化性相当好。gydF4y2Ba

尽管我们使用专家内容知识来选择预测因子，并测试了一系列常见的和领域特定的预测因子，但仍然有使用其他预测因子的可能性。这可能解释了分类敏锐度方面的改进空间。鉴于我们研究了由领域专家选择的实际书面行为组成的全新预测因素，这项研究在这种方式上增加了进一步的新颖性。一些先前已知的心理治疗依从性预测因素在很少研究但非常常见的MI-ANXDEP患者中得到证实，表明MI-ANXDEP患者具有潜在的临床效用。这项研究是在瑞典进行的，我们不能轻易地将我们的发现推断出我们的国家和语言边界之外。MI- anxdep人群也是MI患者的一个独特亚群，iCBT干预是专门为这些患者量身定制的。因此，在瑞典以外的不同患者和其他心理治疗的复制将是有价值的。gydF4y2Ba

在实施结果方面也有局限性。这可以通过几种方式实现，最严格的坚持定义是完成所有治疗模块[gydF4y2Ba44gydF4y2Ba］．然而，由于U-CARE心脏试验的生态效度特别高，但依从性普遍较低[gydF4y2Ba13gydF4y2Ba]，依从性的这个截止定义必须自动较低，以便能够建模依从性，因为中等样本量抑制了我们对不平衡类别的建模。将坚持定义为那些在前两个标准化模块之外继续治疗的患者，在定性方面也可以说比任意的百分比截断更具有临床相关性。考虑到临床需求和数据可用性，患者是在完成初始标准化作业模块时被选择的——如果还想使用从书面治疗反应中获得的语言预测因子来对治疗依从性进行早期治疗预测，则这是预测治疗依从性的最佳时间。也有定性方法来调查iCBT的遵守情况[gydF4y2Ba25gydF4y2Ba如果结合目前的数据驱动方法，可能会增强我们对依从性的理解。此外，研究语言预测因素的目的自动排除了27名随机接受治疗但没有完成任何家庭作业的患者。由于显而易见的原因，我们的预测模型不能推广到这些患者，然而，如果包括这些患者，理论上预测的准确性可能会更高，因为他们构成了低依从性的极端病例。gydF4y2Ba

结论gydF4y2Ba

为了制定和测试有效的iCBT干预措施，调查预测依从性的因素很重要。使用有监督的机器学习方法，MI-ANXDEP患者在多中心试验中对iCBT治疗的依从性由一组不同的预测因子最好地预测。最有效的预测因素还包括来自治疗开始时患者书面行为的新颖语言预测因素。我们的发现可能会改善对这些高危患者的iCBT治疗。未来的研究还应调查可能的因果机制，并确定这些发现是否在瑞典以外的更大样本中重复，以及其他可能受益于iCBT的患者群体。gydF4y2Ba