具有广泛性焦虑障碍（GAD）的人群，这种状况以每天过度担忧且持续至少六个月为特征，即使在接受治疗后也有很高的复发率。研究人员表示，人工智能（AI）模型可能帮助临床医生识别可以预测长期恢复的因素，并更好地个性化患者的治疗。
研究人员使用一种称为机器学习的人工智能形式，分析了126名被诊断为GAD的匿名个体的80多个基线因素，这些因素包括心理、社会人口统计、健康和生活方式变量。数据来自美国国家卫生研究院的纵向研究，名为“美国的中年生活”，该研究对1995-96年首次接受访谈的25至74岁的美国大陆居民进行了健康数据采样。机器学习模型识别了11个在预测恢复与非恢复方面看起来最重要的变量，预测准确率高达72%，在九年期末。研究人员将他们的发现发表于《焦虑障碍杂志》的三月期刊中。
“以往的研究表明，GAD的复发率非常高，临床医生在预测长期结果方面的准确性也有限，”研究主作者、宾州州立大学的博士生Candice Basterfield表示。“这项研究表明，机器学习模型在预测谁会恢复或不会恢复GAD方面显示出良好的准确性、敏感性和特异性。这些恢复的预测因素对帮助创造基于证据的个性化长期恢复治疗可能非常重要。”
研究人员通过两个机器学习模型处理基线变量：一个线性回归模型，该模型检查两个变量之间的关系，并将数据点沿近乎直线绘制；另一个非线性模型，如树一样分叉、分裂并添加新的树，绘制如何自我修正先前的错误。模型识别了在九年期间预测恢复或非恢复的11个关键变量，线性模型的表现优于非线性模型。模型还识别了每个变量与其他变量在预测恢复结果方面的重要程度。
研究人员发现，更高的教育水平、年龄较大、朋友支持更多、腰臀比更高和更积极的情感（或感觉更加愉快）在恢复方面最为重要，依此类推。与此同时，抑郁情感、每日歧视、过去12个月中与心理健康专业人员的更多会面次数和过去12个月中就医次数的增加则被证明是预测非恢复最为重要的因素。研究人员通过将机器学习预测与MIDUS数据进行比较，验证了模型的发现，发现这些预测的恢复变量与在九年期末没有GAD症状的95名参与者的情况一致。
研究结果表明，临床医生可以使用人工智能来识别这些变量，并为GAD患者个性化治疗，特别是那些合并其他诊断的患者。
宾州州立大学心理学教授、资深作者Michelle Newman表示，近50%至60%的GAD患者有共病抑郁。她解释说，个性化治疗可以同时针对抑郁症和焦虑症。
“机器学习不仅考虑个别预测因素，还帮助我们理解这些预测因素的重要性——它们对恢复或非恢复的重要程度，以及这些预测因素之间的相互作用方式，这超出了人类能够预测的范围，”Newman说。
研究人员指出，这项研究不能确定在九年期间GAD的持续时间，因为这是一种慢性疾病，症状显现显著的时期会时好时坏。然而，他们表示，这项工作为更为量身定制的治疗奠定了基础。
“这项工作帮助我们开始理解更多可以针对特定个体个性化治疗的方式，”Newman说。
美国国家卫生研究院通过国家心理健康研究所支持了这项研究。
