《Journal of Affective Disorders》：Development of a baseline battery to optimize depression treatment assignment in primary care: Balancing breadth and brevity
编辑推荐：
本研究旨在开发适用于印度基层医疗的抑郁症患者治疗分配基准评估工具，通过文献回顾、专家咨询、语义分析及试点测试，构建包含68个构建的电池，经数据驱动优化后缩短至两小时完成，为精准治疗研究提供方法论框架。
朱莉娅·R·波苏埃洛（Julia R. Pozuelo）| 罗纳德·C·凯斯勒（Ronald C. Kessler）| 维克拉姆·帕特尔（Vikram Patel）| 阿努贾·拉希里（Anuja Lahiri）| 雅希卡·帕拉沙尔（Yashika Parashar）| 穆罕默德·M·赫扎拉（Mohammad M. Herzallah）| 米曼萨·坎杜里（Mimansa Khanduri）| 凯瑟琳·奥尼尔（Kathryn O’Neill）| 艾丽莎·马丁内斯（Alyssa Martinez）| 阿南特·班（Anant Bhan）| 戴西·R·辛格拉（Daisy R. Singla）| 约翰·A·纳斯伦德（John A. Naslund）| 皮姆·库伊珀斯（Pim Cuijpers）| 乔丹·W·斯莫勒（Jordan W. Smoller）| 卡梅尔·W·崔（Karmel W. Choi）| 泰勒·J·范德韦勒（Tyler J. VanderWeele）| 拉胡尔·S.P.辛格（Rahul S.P. Singh）| 阿坎克莎·舒克拉（Akanksha Shukla）| 阿尔文德·库什瓦（Arvind Kushwah）| 阿扎兹·汗（Azaz Khan）| 史蒂文·D·霍伦（Steven D. Hollon）
哈佛医学院全球健康与社会医学系，美国马萨诸塞州波士顿
摘要
背景
心理治疗和抗抑郁药物通常是治疗抑郁症的有效方法，但个体反应差异很大。要预测哪种治疗方法对特定患者最有效，需要对其基线特征进行全面且可行的评估。本文描述了开发一种基线评估工具的过程，用于指导印度初级保健机构中抑郁症患者的心理激活治疗与氟西汀治疗之间的分配。
方法
我们采用六步、多方法的方式开发了这一评估工具。我们更新了之前的综述，以确定与治疗反应差异相关的因素；进行了专家调查（邀请了220人，收到80份回复），以完善评估内容；并根据简洁性、有效性和可扩展性选择了测量工具。我们还运用语义分析来识别冗余项，并对200名初级保健患者进行了初步测试，最后使用先进的统计方法优化了项目选择。
结果
最终的评估工具包含68个指标，涵盖临床、心理、认知、社会经济和生物学领域，通过问卷、任务和生物标志物进行评估。初步测试发现了一些理解上的困难、参与者疲劳以及某些指标的变异性较低的问题。通过数据驱动的项目筛选，去除了超过25%的指标，同时保持了所有相关因素的覆盖范围，将评估时间从超过三小时缩短到了大约两小时。
结论
这项研究表明，结构化的数据驱动开发过程可以产生一个科学严谨的基线评估工具，能够捕捉到多种可能影响治疗效果的因素。在OptimizeD试验结果出来后，该工具将进一步完善，以确定哪些基线特征能够有效预测治疗反应的差异。虽然这个工具目前尚不适用于临床实践，但这里介绍的开发框架可能有助于其他研究人员在资源有限的环境中进行类似的研究。
引言
重度抑郁症是最常见的精神疾病之一，也是全球致残的主要原因之一（Ferrari等人，2024年；McGrath等人，2023年）。在初级保健中，两种常用的首选治疗方法是心理激活治疗（一种基于证据的短期心理疗法）和抗抑郁药物，尤其是选择性5-羟色胺再摄取抑制剂（SSRIs）如氟西汀（Patel等人，2016年；WHO，2010年）。尽管这些干预措施的平均治疗效果相当，但个体反应差异很大（Cuijpers等人，2013年；Cuijpers等人，2020年；Maslej等人，2021年；Kaiser等人，2022年）。这种差异促使人们努力开发精准治疗方法，以将患者与最可能对其有效的治疗方式相匹配。
这些努力中的一个关键区别在于预测指标和处方指标。预测指标用于预测患者对治疗的整体反应，即无论接受何种干预，患者改善的可能性；而处方指标则用于识别患者从某种治疗中获益的可能性更大的特征。尽管两者都有用，但大多数现有研究都集中在预测指标上，而对可以直接指导治疗选择的处方因素关注较少（Cohen和DeRubeis，2018年）。早期的患者匹配工作依赖于单一指标，如抑郁症亚型和严重程度，但没有一个单独的特征显示出足够的预测能力来为临床决策提供有意义的依据（Cuijpers等人，2012年；DeRubeis等人，2014年；Kessler等人，2018年；Kessler等人，2017年）。最近，机器学习的进步使得整合多个患者特征成为可能，从而改善了个性化治疗分配（Lee等人，2018年；Ermers等人，2020年；Chekroud等人，2021年；Puac-Polanco等人，2023年；LoParo等人，2025年；Chekroud等人，2016年）。然而，这些模型的性能和普遍性在很大程度上取决于它们所训练的基线数据的质量、范围和可行性。尽管提出了许多潜在的预测因子（包括预测和处方指标），但选择哪些指标以及如何最佳地评估它们仍然是一个关键挑战。漫长且繁琐的评估过程会降低数据质量，并限制临床应用的可行性，因此需要开发既具有预测效用又易于在实际环境中使用的工具。
除了测量方面的挑战外，还有一些更广泛的限制因素阻碍了精准治疗的进展。首先，现有文献中的样本量较小，限制了检测患者与治疗之间相互作用的能力，并削弱了预测模型的可靠性（Luedtke等人，2019年）。其次，许多研究仅评估了有限的患者特征，如遗传标记、人格特质或社会经济状况，通常是将这些特征孤立地进行分析，而不是作为跨学科框架的一部分（Bucher等人，2019年；De Carlo等人，2016年；Fonseka等人，2018年；Mulder，2002年；Newton-Howes等人，2014年；Phillips等人，2015年）。第三，尽管有对抗抑郁药物和心理治疗的直接比较，但大多数研究都是将它们与非特异性对照组进行比较，这限制了对能指导治疗选择的处方因素的深入了解（Cuijpers等人，2013年）。第四，大多数精准治疗研究都是在二级或三级医疗机构进行的，而初级保健通常是大多数患者的首次接触点。初级保健人群与专科医疗机构的人群在症状严重程度、共病情况和污名化等方面存在差异，这些差异可能会影响治疗效果（Cuijpers等人，2023年；Driessen等人，2010年；Fournier等人，2010年）。最后，大多数此类研究是在高收入国家进行的，这限制了其在资源匮乏地区的适用性，而在这些地区尤其需要可扩展且适合具体情境的预测模型（Moitra等人，2022年；Rathod等人，2017年）。
OptimizeD试验旨在通过开发一种适用于初级保健的全面基线评估工具来解决这些问题，该工具可以预测个别患者从氟西汀或心理激活治疗中获益的可能性（Pozuelo等人，2025年）。这两种治疗方法在包括印度在内的多个国际环境中都显示出有效性（Patel等人，2017年；Patel等人，2003年）。本文描述了开发OptimizeD基线评估工具的多步骤过程，重点介绍了简化评估流程的同时保持所需指标范围的策略。该工具最初是作为研究阶段的发现工具和方法学演示而设计的，其目的是最大化识别处方预测因子的机会，期望试验结果能够推动其发展为可扩展的临床工具。OptimizeD试验的规模很大，随机招募了1500名参与者——远超过开发有用算法所需的600-1000名参与者（Pozuelo等人，2025年）。虽然该工具专注于比较两种特定治疗方法在某一环境中的效果，但它为在资源匮乏的初级保健环境中推进精准治疗研究提供了一个实用且可推广的框架，也可能为未来的抑郁症治疗精准研究提供模板。
方法
我们采用六步系统方法开发了这一基线评估工具，包括更新之前的综述、专家调查、选择简洁且可扩展的测量工具、评估冗余项、在印度初级保健环境中进行初步测试，以及运用机器学习来优化工具。这些步骤在后续部分进行了总结。所有涉及人类受试者的研究程序都获得了印度（Sangath IRB：AB-2021-69；AIIMS）和美国（哈佛医学院IRB20-2144）的伦理批准。
步骤1：更新之前的综述
我们的文献搜索发现了2797篇可能相关的研究。去除重复项后，剩下2796篇独特的记录用于标题和摘要筛选。其中，2679篇研究因不相关而被排除，最终有117篇全文文章进入进一步审查。经过全文筛选后，又排除了51篇研究，最终纳入了66篇研究（见图1）。
大部分纳入的研究是在高收入国家进行的，其中美国占42%，其次是加拿大
讨论
本研究概述了一种系统化的、逐步的多方法流程，用于开发一个基线评估工具，以预测抑郁症两种一线治疗方法（心理激活治疗和氟西汀）的差异反应。我们结合了之前的综述结果、专家意见、初步测试和先进的统计技术，力求在相关预测因子的广度与实施所需的简洁性和可行性之间取得平衡。
CRediT作者贡献声明
朱莉娅·R·波苏埃洛（Julia R. Pozuelo）：撰写初稿、可视化设计、方法学设计、数据分析、概念构建。罗纳德·C·凯斯勒（Ronald C. Kessler）：撰写和编辑、资金筹集、数据分析、概念构建。维克拉姆·帕特尔（Vikram Patel）：撰写和编辑、项目监督、方法学设计、资金筹集、概念构建。阿努贾·拉希里（Anuja Lahiri）：撰写和编辑、项目管理、数据管理。雅希卡·帕拉沙尔（Yashika Parashar）：撰写和编辑、项目管理、数据管理
伦理标准
所有涉及人类受试者的研究程序都获得了印度（Sangath IRB：AB-2021-69；AIIMS Bhopal：EF0237）和美国（哈佛医学院IRB20-2144）的伦理批准。作者声明，所有研究程序均符合相关国家和机构的伦理标准以及1975年《赫尔辛基宣言》（2024年修订版）的要求。
资金声明
本研究得到了国家心理健康研究所（NIMH，资助编号：R01MH121632-01）的支持。
利益冲突声明
在过去三年中，凯斯勒博士曾担任Cambridge Health Alliance、Child Mind Institute、Massachusetts General Hospital、RallyPoint LLC、Sage Therapeutics、密歇根大学和北卡罗来纳大学的顾问。他在Cerebral Inc.、Mirah、PYM（Prepare Your Mind）和Verisense Health持有股票期权，并在Menssano LLC拥有股权。
致谢
我们感谢所有积极参与初步研究的参与者，以及协助招募他们的初级卫生机构工作人员。同时，我们也感谢那些抽出时间完成调查并分享见解的专家们。最后，我们感谢致力于OptimizeD试验日常运行的研究团队。
