慢性抑郁症是一种难以治疗的精神障碍，尽管各种心理治疗已经被证明具有一定疗效，但效果通常仅是中等程度。近年来，研究者提出了“精准心理健康”的概念，希望通过个性化治疗提高效果。症状网络理论为个性化治疗提供了一种新方法，认为精神障碍是由症状之间的相互作用维持的。因此，个体特异性的症状网络可能能够揭示特定患者的症状关联，从而指导个性化的治疗。本研究旨在探讨个体特异性症状网络是否可以预测心理治疗后抑郁症严重程度，以及其在治疗结束后1年和2年的预测效果。

本研究使用了来自一项随机对照试验的数据，涉及254名患有慢性抑郁症的患者。患者被随机分配接受特定障碍的治疗（CBASP，认知行为分析系统心理治疗）或非特定的支持性心理治疗，持续48周。抑郁症严重程度通过24项汉密尔顿抑郁量表（HRSD-24）在基线、治疗结束时、以及治疗后1年和2年进行评估。同时，患者每次治疗后还完成了28项抑郁症状清单（IDS）。研究构建了个体特异性的症状网络，分析了症状之间的关联强度以及这些关联在治疗中的变化。使用这些网络参数来预测观察者评定的抑郁严重程度。

图1：数据分析概览

结果表明，与基线预测变量相比，个体特异性症状网络显著提高了对治疗后抑郁严重程度的预测精度。在治疗结束时，症状关联的预测精度优于症状中心性参数，解释了56%的抑郁严重程度方差，而症状中心性模型仅解释了36%。此外，个体特异性症状网络对治疗后1年的抑郁严重程度预测精度仍然较高，解释了45%的方差，而常规协变量模型仅解释了12%的方差。然而，在治疗结束后2年，所有模型的预测精度均有所下降，症状网络模型与常规协变量模型之间的差异不再显著。

在进一步的敏感性分析中，研究发现，在模型中加入症状关联的变化显著提高了模型的预测能力，而仅使用基线症状关联的预测效果较弱。此结果表明，治疗中的症状关联变化对治疗效果有重要影响。此外，症状网络模型在不同的时间点均表现出较好的校准性能，能够较为准确地预测个体在治疗后的抑郁严重程度。

图2：不同模型对抑郁严重程度预测效果的贝叶斯R²后验分布

本研究表明，个体特异性症状网络能够为慢性抑郁症的个性化治疗提供有价值的信息。症状关联比症状中心性更能有效预测抑郁症的严重程度，特别是在治疗结束时及治疗后1年的抑郁评估中。这一发现为基于症状网络的个性化治疗规划和监测提供了理论依据。尽管这些结果尚需进一步验证，但它们表明，通过分析患者的症状关联，临床医生可以更好地制定个性化的治疗策略，从而提高慢性抑郁症的治疗效果。

原始出处：
Schumacher, L., Klein, J. P., Hautzinger, M., Härter, M., Schramm, E., & Kriston, L. (2024). Predicting the outcome of psychotherapy for chronic depression by person‐specific symptom networks. *World Psychiatry*, 23(3), 411-420. https://doi.org/10.1002/wps.21241