改善早期治疗反应、脱落率和结果的预测：利用日常生活数据
心理治疗方法已被反复证明是有效的，其效果可与药物治疗相媲美，在某些情况下，其长期效果甚至更为持久（例如，Cuijpers等人，2023年）。然而，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，许多患者过早终止治疗（Cuijpers等人，2021年；Lutz等人，2021年）。此外，在低收入和中低收入国家，获得心理治疗的机会仍然特别有限，每27名抑郁症患者中只有一人能够接受适当的治疗（Thornicroft等人，2017年）。这凸显了在不同环境下更好地理解哪些患者可能从特定干预中受益、哪些患者可能面临反应不足的风险，以及如何在进展有限时更有效地调整治疗的持续需求（Lutz等人，2022年；Nye等人，2023年）。
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过程中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等人，2021年；Lees和Delgadillo，2026年）。然而，回顾性自我报告受到回忆偏差的限制，以及在实时和自然环境中捕捉体验的能力不足（例如，Myin-Germeys等人，2018年）。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等人，2025年）。
生态瞬时评估如何补充回顾性测量
改善测量精确度的一种方法是生态瞬时评估（Ecological Momentary Assessment, EMA），也被称为经验取样法（Experience Sampling Method, ESM）或移动评估（Ambulatory Assessment, AA）。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和Shiffman，1994年）。EMA这一术语包括不同的评估方法，包括主动自我报告和对生理指标（如心率）的被动感知（Shiffman等人，2008年）。通过在真实世界环境中捕捉接近事件发生时刻的体验，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等人，2012年；Wright和Woods，2020年）。
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领域大幅扩展（Fritz等人，2024年），特别是在预测症状和治疗轨迹以及治疗结果方面（参见Mink等人，2025年系统性概述）。初步研究表明，自我报告的EMA数据可以提高对早期治疗反应（例如，Husen等人，2016年）、治疗结果（例如，Hehlmann等人，2025年）和脱落率（例如，Lutz等人，2018年）的预测能力，超越基线评估的初始损伤程度。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等人，2021年）和精神病理症状严重程度（例如，Jacobson等人，2019年；Siddi等人，2023年）方面也取得了类似结果。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超越全面的基线测量来增强对治疗轨迹和结果的预测。
将情境敏感视角融入结果预测
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社会经济背景中的普适性（Gómez Penedo等人，2024年）。鉴于证据表明心理健康问题在经济欠发达地区更为普遍，且来自这些背景的个体对心理治疗的反应率往往较低，这一限制尤其相关（Delgadillo等人，2016年）。此外，心理治疗在不同文化背景中可能被不同地概念化和实践（Aafjes-van Doorn等人，2020年），而心理治疗干预的文化适应与改善结果相关，这强调了在治疗和研究中情境敏感性的重要性（Anik等人，2021年；Lee等人，2021年）。
从这一视角来看，改善心理治疗中的预测还需要检验预测模型是否在不同背景（包括不同文化背景、社会经济条件和医疗保健环境）中保持有效。在一个环境中表现良好的模型不一定能推广到另一个环境。因此，将情境敏感视角融入预测研究可能有助于识别在不同环境中都稳健的预测因子。
当前项目
在这些研究发现的背景下，这项介绍的EMA研究考察了多模态日常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，能够超越横断面基线评估所收集的信息，改善对早期治疗反应、脱落率和治疗结果的预测。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通用。这可能有助于澄清日常数据是否能改善预测，以及此类模型是否能在不同文化环境中支持个性化治疗规划。
该研究从德国特里尔、阿根廷布宜诺斯艾利斯和德国奥斯纳布吕克的三家门诊诊所收集了300名患者的数据。在治疗开始时，患者在为期两周的时间内每天六次报告其在日常生活中的情感和人际体验。同时，可穿戴设备（即Garmin Vivosmart 4）用于被动捕捉心率、活动和睡眠等生理和行为指标。这些重复的日常评估与基线临床信息（如初始损伤程度、治疗期望、社会经济地位）相结合，以检验多模态EMA数据是否能超越横断面基线测量，改善对早期治疗反应、脱落概率和结果的预测，以及预测性能在三个研究地点是否保持可比性。
这项工作的目标不仅是改善统计预测，还旨在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脱落的患者，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，欧洲和北美生成的大部分预测知识可以扩展到其他国家和文化背景，如拉丁美洲。这可能对个性化心理健康护理资源较少的环境产生重大影响。
当前状态和下一步
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，提供对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数据是否能超越横断面基线测量，增强对早期治疗反应、脱落率和总体结果的预测。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脱落的早期风险检测、更有针对性的治疗规划，以及在文化多样的环境中对治疗变化的情境敏感理解做出贡献。
【全文结束】
