改善早期治疗反应、中途退出和结果的预测：基于日常生活的数据
心理治疗方法已被多次证明是有效的，其效果可与药物治疗相媲美，在某些情况下甚至显示出更持久的疗效（例如，Cuijpers等，2023）。同时，总体治疗成功率仍然有限，超过一半的患者对心理治疗反应不足，许多人过早终止治疗（Cuijpers等，2021；Lutz等，2021）。此外，心理治疗服务的获取在低收入和中低收入国家尤其有限，只有1/27的抑郁症患者能获得适当的治疗（Thornicroft等，2017）。这凸显了继续更好地理解在不同环境中哪些患者可能从特定干预中获益、哪些患者可能存在反应不足的风险，以及当进展有限时如何更有效地调整治疗的持续需求（Lutz等，2022；Nye等，2023）。
迄今为止，关于治疗轨迹和结果的预测研究主要依赖于治疗前或治疗期间反复收集的回顾性问卷数据。这些方法提供了重要见解，并表明治疗轨迹可以从治疗前信息或逐次会话报告中预测（例如，Constantino等，2021；Lees & Delgadillo，2026）。然而，回顾性自我报告受到回忆偏差的限制，且难以在实时和自然环境中捕捉体验（例如，Myin-Germeys等，2018）。从精准心理健康的角度来看，其目标是推进个性化心理护理，提高评估的时间准确性可能会加强预测模型，进而支持更量身定制的治疗决策（例如，Lutz等，2025）。
生态瞬时评估如何补充回顾性测量
提高测量精度的一种方法是生态瞬时评估（Ecological Momentary Assessment，EMA），也称为经验取样法（Experience Sampling Method，ESM；例如，Hektner，2007）或门诊评估（Ambulatory Assessment，AA；例如，Trull & Ebner-Priemer，2013）。EMA涉及在个体自然环境中反复评估情感、认知或行为过程（Stone & Shiffman，1994）。EMA这一术语包含不同的评估方法，包括主动自我报告和对生理指标（如心率）的被动感知（Shiffman等，2008）。通过在现实世界环境中捕捉接近发生时刻的体验，EMA使研究人员能够捕捉日常生活中的波动和短期动态，从而减少回顾性扭曲并提高所收集信息的生态效度（例如，Ben-Zeev等，2012；Wright & Woods，2020）。
在过去十年中，基于EMA的研究在临床心理学和心理治疗研究中大幅扩展（Fritz等，2024），特别是在预测症状和治疗轨迹以及治疗结果方面（参见Mink等，2025的系统概述）。初步研究表明，自我报告的EMA数据可以改善对早期治疗反应（例如，Husen等，2016）、治疗结果（例如，Hehlmann等，2025）和中途退出（例如，Lutz等，2018）的预测，而这些预测超出了基线评估的初始损害程度。此外，最近实施被动感知参数的研究在预测治疗结果（例如，Hehlmann等，2021）和精神病理症状严重程度（例如，Jacobson等，2019；Siddi等，2023）时也得出了类似结果。然而，目前尚不清楚EMA数据模态（包括主动自我报告和被动感知）的组合能在多大程度上增强对治疗轨迹和结果的预测，超出全面基线测量的范围。
将情境敏感视角整合到结果预测中
尽管大量研究探讨了如何改善心理治疗中治疗过程和结果的预测，但这些工作大多在相对同质的环境中进行，限制了这些模型在社会文化和经济社会背景中的普遍适用性（Gómez Penedo等，2024）。这一局限性尤其相关，因为有证据表明心理健康问题在经济欠发达地区更为普遍，而来自这些背景的个体对心理治疗的反应率往往较低（Delgadillo等，2016）。此外，心理治疗在不同文化背景中可能被概念化和实践方式不同（Aafjes-van Doorn等，2020），而心理治疗干预的文化适应与改善结果相关，这凸显了治疗和研究中情境敏感性的重要性（Anik等，2021；Lee等，2021）。
从这个角度来看，改善心理治疗中的预测还需要检验预测模型在不同背景（包括不同的文化背景、社会经济条件和医疗保健环境）中是否仍然有效。在一个环境中表现良好的模型可能不一定能推广到另一个环境中。因此，将情境敏感的视角纳入预测研究可能有助于识别在各种环境中都稳健的预测因子。
本项目介绍
在这些研究结果的背景下，所介绍的EMA研究考察了多模态日常生活数据是否能改善对心理治疗中治疗反应和总体结果的预测。更具体地说，该项目调查了在治疗开始时通过自我报告和被动感知评估的哪些EMA参数，能够改善对早期治疗反应、中途退出和治疗结果的预测，而这些预测超出了横断面基线评估所收集的信息。此外，该研究还检验了这些模型是否能在文化多样的治疗环境中普遍适用。这可能有助于澄清日常生活数据是否能改善预测，以及此类模型是否能支持跨文化环境的个性化治疗规划。
该研究利用了来自德国特里尔、阿根廷布宜诺斯艾利斯和德国奥斯纳布吕克三家门诊诊所的300名患者的数据。在治疗开始时，患者每天六次报告他们在日常生活中的情绪和人际体验，为期两周。同时，使用可穿戴设备（即Garmin Vivosmart 4）被动捕捉心率、活动和睡眠等生理和行为指标。这些重复的日常生活评估与基线临床信息（如初始损害程度、治疗期望、社会经济地位）相结合，以检验多模态EMA数据是否能改善对早期治疗反应、中途退出概率和结果的预测，而这些预测超出了横断面基线测量的范围，并且预测性能在三个研究地点是否保持相似。
这项工作的目标不仅是改进统计预测，还为治疗发展提供更具临床意义的理解。如果EMA数据能够早期识别出对治疗反应不佳或可能过早退出的患者，它们可能支持更及时的治疗调整和更有针对性的临床决策。此外，如果算法的跨文化有效性得到支持，那么在欧洲和北美产生的大量预测知识可以扩展到其他国家和文化背景，如拉丁美洲。这对于个性化心理健康护理资源较少的环境可能产生重大影响。
当前状态与下一步工作
目前，预测模型正在样本的前半部分进行训练。一旦数据收集完成，这些模型将在一个独立的保留样本中进行评估，提供预测准确性和跨文化有效性的样本外评估。
结论
通过整合在患者自然环境中收集的重复自我报告和基于可穿戴设备的指标，本研究旨在检验多模态EMA数据是否能增强对早期治疗反应、中途退出和总体结果的预测，而这些预测超出了横断面基线评估的范围。同时，其跨文化设计解决了此类模型的预测性能在不同背景和文化中是否具有可比性的重要问题。最终，这项工作旨在为不良治疗反应或过早退出的早期风险检测、更有针对性的治疗规划，以及对文化多样环境中治疗变化的更具情境敏感性的理解做出贡献。
【全文结束】