基于个性化优势指数预测电休克疗法与氯胺酮治疗的个体分配方案

为解决治疗抵抗性抑郁症（TRD）患者治疗方案选择难题，美国麻省总医院和哈佛医学院的研究人员开展了基于个性化优势指数（PAI）预测电休克疗法（ECT）或氯胺酮治疗分配的研究，发现依 PAI 选择治疗方案能改善患者症状，为临床决策提供参考。

　　在当今社会，抑郁症已成为一个不容忽视的健康问题。据统计，美国每年约有 2100 万成年人受重度抑郁发作（MDE）影响。面对众多治疗手段，如药物、行为和器械治疗等，却仅有约三分之一的患者在接受标准一线治疗后能实现缓解。当患者经历两种或更多抗抑郁治疗失败后，就会被归类为治疗抵抗性抑郁症（TRD）患者。这些患者不仅面临更高的发病率和死亡率，治疗选择也十分有限，这让开发更个性化的治疗策略变得迫在眉睫。

目前，电休克疗法（ECT）和氯胺酮都是治疗 TRD 的有效方法。ECT 能快速起效，尤其对有精神病性特征的抑郁症患者和老年患者效果显著；氯胺酮作为 N - 甲基 - D - 天冬氨酸受体拮抗剂，其亚麻醉剂量也被用于治疗 MDD 和 TRD，其中氯胺酮的 S - 对映体艾司氯胺酮在 2019 年被美国食品药品监督管理局批准用于治疗 TRD。然而，在实际临床应用中，医生却缺乏循证指南来指导为患者选择 ECT 和氯胺酮中的最佳治疗方案。

为了解决这一难题，美国麻省总医院和哈佛医学院（Massachusetts General Hospital and Harvard Medical School）的 Benjamin S. C. Wade 等人开展了一项重要研究。他们利用机器学习技术对个性化优势指数（PAI）进行调整，通过分析 2506 名接受 ECT 和 196 名接受氯胺酮治疗患者的电子健康记录（EHR）数据，预测患者接受 ECT 或氯胺酮治疗的最佳方案。研究结果发表在npj Digital Medicine杂志上。

在研究方法上，研究人员首先从 McLean 医院 2011 年至 2022 年接受 ECT 或（艾司）氯胺酮治疗的患者中收集医疗记录数据，筛选出符合条件的 2506 名 ECT 患者和 196 名（艾司）氯胺酮患者。为了减少混杂因素的影响，他们使用倾向得分匹配（PSM）方法，基于预处理的 Quick Inventory of Depressive Symptomatology（QIDS）评分、住院状态、精神病性特征严重程度和年龄等因素，将患者进行 1:1 匹配，最终得到 392 名患者（每组 196 名）。

随后，研究人员通过一系列随机森林回归（RFR）模型计算 PAI 得分。他们以 QIDS 评分的最低值（min - QIDS）作为预测指标，将所有预处理的临床和人口统计学变量纳入模型，并使用留一法交叉验证（LOOCV）进行预测。模型训练过程中还进行了特征选择和参数优化，以提高模型性能。此外，研究人员还进行了敏感性分析，通过改变匹配标准来评估模型的稳定性；同时对接受静脉注射氯胺酮和鼻内艾司氯胺酮的患者进行亚组分析，以探究不同氯胺酮剂型的治疗效果差异。

研究结果主要体现在以下几个方面：

• 队列特征：匹配后的样本中，ECT 组和（艾司）氯胺酮组在基线 QIDS 评分、年龄、性别分布等方面无显著差异，但 ECT 组中双相情感障碍的患病率较高，（艾司）氯胺酮组在治疗前服用的药物数量更多。
• 匹配诊断：主要匹配策略使治疗组之间的倾向得分分布均衡，大多数协变量的标准化均数差异（SMD）低于 0.1，但某些替代匹配策略会导致倾向得分不平衡或 SMD 过大。
• 个性化优势指数：全球随机森林回归模型对 min - QIDS 的预测效果显著（平均，）。在 PAI 阈值为 0.3 时，接受最佳治疗的患者 min - QIDS 得分显著低于接受非最佳治疗的患者（平均差异 [95%CI:0.32,∞]， ， ，Cohen’s ），更高的 PAI 阈值差异更显著。
• 预后预测因子：在整体预测 min - QIDS 时，最重要的变量包括预处理 QIDS、治疗类型、Basis: self - harm score、Basis: psychosis score 等。
• 处方预测因子：分析发现，不同变量与治疗类型相互作用影响治疗效果。例如，基线 QIDS 评分在 11 - 18 之间的患者，（艾司）氯胺酮治疗效果可能更好；评分高于 18 的患者，ECT 治疗效果更佳。此外，自我伤害得分、精神病症状得分、年龄、性别、人际关系得分、情感不稳定得分、人格障碍诊断以及共病诊断数量等因素也会影响治疗效果的预测。
• 替代匹配和排除标准：不同的匹配标准会导致 PAI 值范围不同。仅基于基线 QIDS 评分匹配时，治疗效果无差异；基于基线 QIDS 和年龄匹配时，未进行 PAI 阈值筛选就发现接受最佳治疗的患者 min - QIDS 得分显著降低。
• 亚组分析结果：在静脉注射氯胺酮亚组中，当患者基于基线 QIDS 和年龄匹配时，PAI 得分最高的 48% 患者中，接受最佳治疗的患者 min - QIDS 得分显著降低，但调整多重比较后差异不显著；在艾司氯胺酮亚组中，未观察到组间差异。

研究结论和讨论部分指出，本研究首次将 PAI 方法应用于预测 ECT 和（艾司）氯胺酮治疗的分配，具有重要意义。虽然整体样本中接受最佳和非最佳治疗的患者 min - QIDS 评分差异未达临床显著标准，但在 PAI 得分较高的患者中，差异具有小到中等效应量，表明基于 PAI 选择治疗方案能改善患者症状。同时，研究还发现了多个影响 ECT 和（艾司）氯胺酮治疗效果的因素，为临床治疗方案的选择提供了参考依据。然而，研究也存在一些局限性，如使用的是观察性数据，PSM 无法控制未知混杂因素；样本中部分（艾司）氯胺酮患者有既往用药记录，可能影响结果；亚组分析样本量较小，统计效力不足等。

未来，研究人员计划将该方法扩展到更多治疗手段，如经颅磁刺激等，同时评估模型在外部诊所患者中的通用性。相信随着研究的不断深入，基于 PAI 的个性化治疗策略将为抑郁症患者带来更多希望，帮助临床医生更精准地选择治疗方案，提高患者的治疗效果和生活质量。