《npj Digital Medicine》：Predicting individual differences in digital alcohol intervention effectiveness through multimodal data
编辑推荐：
本研究针对数字酒精干预效果个体差异大的难题，创新性地整合心理评估、社交网络数据和酒精线索神经反应等多模态数据，构建随机森林预测模型。研究在两项青年样本中实现干预效果的有效预测（平衡准确度达0.71/0.68），首次发现同伴饮酒认知可作为无应答者的低负荷识别指标，为数字行为干预的精准适配提供新范式。
在数字健康时代，智能手机提供的干预措施为改变饮酒等行为带来新希望。然而现实情况是，这些干预措施的效果因人而异，就像同一把钥匙无法打开所有锁具。尤其令人困扰的是，传统方法很难在干预开始前准确识别出那些最不可能受益的“无应答者”。现有研究的预测能力仅略高于随机猜测水平（如AUC≈0.60），这严重制约了数字干预的精准化发展。
为突破这一瓶颈，发表在《npj Digital Medicine》的一项创新研究提出了一种全新解决方案。研究团队巧妙整合多维度数据——包括心理评估、社交网络特征以及对酒精线索的神经反应——构建预测模型，旨在提前预判个体对数字酒精干预的反应差异。
研究采用随机森林机器学习算法，通过对两项独立青年人群样本（研究1：N=67；研究2：N=114）的分析，成功实现了对基于智能手机的心理疏离干预效果的个体化预测。令人振奋的是，模型在初始样本中表现出色（平衡准确度=0.71，AUC=0.87），并在外部验证样本中保持稳健性能（平衡准确度=0.68，AUC=0.68），均超过数字健康研究设定的临床效用阈值（平衡准确度=0.67）。这意味着模型能正确识别67%的（无）应答者，为实际应用奠定基础。
关键技术方法包括：1）多模态数据采集（心理评估、社交网络映射、功能性磁共振成像记录神经反应）2）随机森林机器学习建模 3）前瞻性研究设计验证预测效能 4）年轻成人饮酒行为队列（研究1的67人和发展队列，研究2的114人独立验证队列）。
研究结果揭示多个重要发现：
通过心理特征与干预效果关联分析发现，个体的认知灵活性和冲动性特质与干预反应存在显著相关性
社交网络影响模式显示，干预对认为同伴属于“频繁但适度饮酒”群体的参与者效果最佳
神经反应特征表明，对酒精线索的神经敏感度可调节干预效果
预测模型验证结果证实，多模态数据整合模型显著优于单一维度预测
特别具有实践价值的是，研究发现“同伴饮酒认知”这一易获取指标，可作为识别无应答者的低负荷工具。这为在预防性酒精干预中早期筛选目标人群提供了简便有效的途径。
该研究的创新之处在于首次系统验证了多模态数据在预测数字行为干预效果中的价值，为开发自适应干预系统奠定方法论基础。未来可将此框架扩展至其他健康行为干预领域，实现真正个性化的数字健康解决方案。通过提前识别最可能受益的群体，医疗资源可得到优化配置，而针对无应答者则可及时调整干预策略，最终提升整体公共卫生效益。
研究结论强调，多模态数据整合策略显著提升了数字酒精干预效果的事前预测精度，突破了传统方法的性能瓶颈。这种预测框架不仅有助于实现干预资源的精准分配，更重要的是为开发实时自适应的数字行为改变干预系统提供了关键技术支撑。随着移动健康技术的普及，这种基于数据驱动的个性化干预模式有望成为数字健康领域的标准实践。
