賓夕法尼亞州立大學的一項新研究表明人工智慧， 具體來說機器學習，可以幫助預測廣泛性焦慮症（GAD）的長期康復。
研究人員分析了 126 名廣泛性焦慮症患者的 80 多個心理、社會人口和健康相關因素，確定了 11 個關鍵變量，可以預測康復率高達 72%準確性。
人工智能在預測焦慮恢復中的作用
患有廣泛性焦慮症（GAD）的人，這種疾病的特點是至少六個月持續過度擔憂，即使在治療後也經常會復發。賓夕法尼亞州立大學的研究人員表示，人工智能 (AI) 可以幫助預測長期康復情況，並製定更個性化的治療策略。
機器學習模型提供新見解
使用一種人工智能，研究人員分析了 126 名被診斷患有廣泛性焦慮症的匿名個體的 80 多個因素，包括心理、人口、健康和生活方式變量。數據來自美國美國國立衛生研究院的美國中年研究跟踪了 25 至 74 歲成年人的健康狀況，並於 1995-96 年進行了初步訪談。 AI 模型確定了 11 個關鍵變量，可以最有力地預測 9 年期間的恢復或不恢復，準確率高達 72%。研究結果發表在《三月刊》上焦慮症雜誌。
“先前的研究表明，廣泛性焦慮症的複發率非常高，而且臨床醫生在預測長期結果方面的判斷準確性也有限，”該研究的主要作者、賓夕法尼亞州立大學的博士生坎迪斯·巴斯特菲爾德 (Candice Basterfield) 說。 “這項研究表明，機器學習模型在預測誰會或不會從廣泛性焦慮症中恢復方面表現出良好的準確性、敏感性和特異性。這些恢復預測因子對於幫助創建基於證據的個性化長期恢復治療方法可能非常重要。”
恢復和未恢復的關鍵預測因素
研究人員通過兩個機器學習模型運行基線變量：一個是線性回歸模型，它檢查兩個變量之間的關係並沿著幾乎直線繪製數據點；另一個是非線性模型，它像樹一樣分支，分裂和添加新樹，並繪製它如何自我糾正先前的錯誤。這些模型確定了預測 9 年期間恢復或不恢復的 11 個關鍵變量，其中線性模型優於非線性模型。這些模型還確定了每個變量與其他變量相比對於預測恢復結果的重要性。
“這項研究表明，機器學習模型在預測誰會或不會從[廣泛性焦慮症]中康復方面表現出良好的準確性、敏感性和特異性。”
Candice Basterfield，賓夕法尼亞州立大學的主要研究作者和博士生
影響康復的最重要因素
研究人員發現，較高的教育水平、較大的年齡、更多的朋友支持、較高的腰臀比和較高的積極情緒，或者感覺更快樂，對康復最重要，按順序排列。與此同時，事實證明，抑鬱情緒、日常歧視、過去 12 個月內更多的心理健康專家諮詢以及過去 12 個月內更多的醫生就診對於預測無法康復最為重要。研究人員通過將機器學習預測與 MIDUS 數據進行比較來驗證模型結果，發現預測的恢復變量與 95 名在 9 年期結束時沒有表現出廣泛性焦慮症症狀的參與者進行了跟踪。
個性化治療：焦慮護理的未來
研究人員表示，研究結果表明，臨床醫生可以使用人工智能來識別這些變量，並對廣泛性焦慮症患者進行個性化治療，尤其是那些診斷複雜的患者。
賓夕法尼亞州立大學心理學教授、資深作家米歇爾·紐曼 (Michelle Newman) 表示，近 50% 至 60% 的廣泛性焦慮症患者患有抑鬱症。她解釋說，個性化治療可以針對抑鬱症並治療焦慮症。
紐曼說：“機器學習不僅關注單個預測因素，還幫助我們了解這些預測因素的權重——它們對恢復或不恢復有多重要——以及這些預測因素彼此相互作用的方式，這是人類無法預測的。”
為定制治療奠定基礎
研究人員指出，該研究無法確定廣泛性焦慮症在這九年期間的持續時間，因為它是一種慢性疾病，並且症狀表現出強烈的變化。然而，他們表示，這項工作為更有針對性的治療奠定了基礎。
紐曼說：“這項工作幫助我們開始了解更多針對特定個體進行個性化治療的方法。”
參考文獻：“針對廣泛性焦慮症自然過程的基於機器學習的多變量預測模型的開發”，作者：Candice Basterfield 和 Michelle G. Newman，2025 年 1 月 25 日，焦慮症雜誌。
DOI：10.1016/j.janxdis.2025.102978
美國國立衛生研究院通過國家心理健康研究所支持了這項研究。
賓夕法尼亞州立大學的一項新研究表明人工智慧， 具體來說機器學習，可以幫助預測廣泛性焦慮症（GAD）的長期康復。
研究人員分析了 126 名廣泛性焦慮症患者的 80 多個心理、社會人口和健康相關因素，確定了 11 個關鍵變量，可以預測康復率高達 72%準確性。
人工智能在預測焦慮恢復中的作用
患有廣泛性焦慮症（GAD）的人，這種疾病的特點是至少六個月持續過度擔憂，即使在治療後也經常會復發。賓夕法尼亞州立大學的研究人員表示，人工智能 (AI) 可以幫助預測長期康復情況，並製定更個性化的治療策略。
機器學習模型提供新見解
使用一種人工智能，研究人員分析了 126 名被診斷患有廣泛性焦慮症的匿名個體的 80 多個因素，包括心理、人口、健康和生活方式變量。數據來自美國美國國立衛生研究院的美國中年研究跟踪了 25 至 74 歲成年人的健康狀況，並於 1995-96 年進行了初步訪談。 AI 模型確定了 11 個關鍵變量，可以最有力地預測 9 年期間的恢復或不恢復，準確率高達 72%。研究結果發表在《三月刊》上焦慮症雜誌。
“先前的研究表明，廣泛性焦慮症的複發率非常高，而且臨床醫生在預測長期結果方面的判斷準確性也有限，”該研究的主要作者、賓夕法尼亞州立大學的博士生坎迪斯·巴斯特菲爾德 (Candice Basterfield) 說。 “這項研究表明，機器學習模型在預測誰會或不會從廣泛性焦慮症中恢復方面表現出良好的準確性、敏感性和特異性。這些恢復預測因子對於幫助創建基於證據的個性化長期恢復治療方法可能非常重要。”
恢復和未恢復的關鍵預測因素
研究人員通過兩個機器學習模型運行基線變量：一個是線性回歸模型，它檢查兩個變量之間的關係並沿著幾乎直線繪製數據點；另一個是非線性模型，它像樹一樣分支，分裂和添加新樹，並繪製它如何自我糾正先前的錯誤。這些模型確定了預測 9 年期間恢復或不恢復的 11 個關鍵變量，其中線性模型優於非線性模型。這些模型還確定了每個變量與其他變量相比對於預測恢復結果的重要性。
“這項研究表明，機器學習模型在預測誰會或不會從[廣泛性焦慮症]中康復方面表現出良好的準確性、敏感性和特異性。”
Candice Basterfield，賓夕法尼亞州立大學的主要研究作者和博士生
影響康復的最重要因素
研究人員發現，較高的教育水平、較大的年齡、更多的朋友支持、較高的腰臀比和較高的積極情緒，或者感覺更快樂，對康復最重要，按順序排列。與此同時，事實證明，抑鬱情緒、日常歧視、過去 12 個月內更多的心理健康專家諮詢以及過去 12 個月內更多的醫生就診對於預測無法康復最為重要。研究人員通過將機器學習預測與 MIDUS 數據進行比較來驗證模型結果，發現預測的恢復變量與 95 名在 9 年期結束時沒有表現出廣泛性焦慮症症狀的參與者進行了跟踪。
個性化治療：焦慮護理的未來
研究人員表示，研究結果表明，臨床醫生可以使用人工智能來識別這些變量，並對廣泛性焦慮症患者進行個性化治療，尤其是那些診斷複雜的患者。
賓夕法尼亞州立大學心理學教授、資深作家米歇爾·紐曼 (Michelle Newman) 表示，近 50% 至 60% 的廣泛性焦慮症患者患有抑鬱症。她解釋說，個性化治療可以針對抑鬱症並治療焦慮症。
紐曼說：“機器學習不僅關注單個預測因素，還幫助我們了解這些預測因素的權重——它們對恢復或不恢復有多重要——以及這些預測因素彼此相互作用的方式，這是人類無法預測的。”
為定制治療奠定基礎
研究人員指出，該研究無法確定廣泛性焦慮症在這九年期間的持續時間，因為它是一種慢性疾病，並且症狀表現出強烈的變化。然而，他們表示，這項工作為更有針對性的治療奠定了基礎。
紐曼說：“這項工作幫助我們開始了解更多針對特定個體進行個性化治療的方法。”
參考文獻：“針對廣泛性焦慮症自然過程的基於機器學習的多變量預測模型的開發”，作者：Candice Basterfield 和 Michelle G. Newman，2025 年 1 月 25 日，焦慮症雜誌。
DOI：10.1016/j.janxdis.2025.102978
美國國立衛生研究院通過國家心理健康研究所支持了這項研究。
