ترجمه فارسی مقاله علائم اضطراب همراه شانس کمتری برای بهبود علائم افسردگی را در طول روان درمانی ارائه شده با گوشی هوشمند پیش بینی می کند.

چکیده

Comorbid anxiety disorders are common among patients with major depressive disorder (MDD), and numerous studies have identified an association between comorbid anxiety and resistance to pharmacological depression treatment. However, less is known regarding the effect of anxiety on non-pharmacological therapies for MDD. We apply machine learning techniques to analyze MDD treatment responses in a large-scale clinical trial (n=754), in which participants with MDD were recruited online and randomized to different smartphone-based depression treatments. We find that a baseline GAD-7 questionnaire score in the “moderate” to “severe” range (>10) predicts greatly reduced probability of responding to treatment across treatment groups. Our findings suggest that depressed individuals with comorbid anxiety face lower odds of substantial improvement in the context of smartphone-based therapeutic interventions for MDD. Our work highlights a simple methodology for identifying clinically useful “rules of thumb” in treatment response prediction using interpretable machine learning models and a forward variable selection process.

چکیده به فارسی (ترجمه ماشینی)

اختلالات اضطرابی همراه در بیماران مبتلا به اختلال افسردگی اساسی (MDD) شایع است ، و مطالعات بیشماری ارتباط بین اضطراب همراه و مقاومت در برابر درمان افسردگی دارویی را مشخص کرده است.با این حال ، در مورد تأثیر اضطراب در روشهای درمانی غیر دارویی برای MDD کمتر شناخته شده است.ما از تکنیک های یادگیری ماشین برای تجزیه و تحلیل پاسخ های درمانی MDD در یک کارآزمایی بالینی در مقیاس بزرگ استفاده می کنیم (N = 754) ، که در آن شرکت کنندگان با MDD به صورت آنلاین استخدام شدند و به طور تصادفی در درمان های مختلف افسردگی مبتنی بر تلفن های هوشمند قرار گرفتند.ما می دانیم که یک پرسشنامه پایه GAD-7 در محدوده “متوسط” تا “شدید” (> 10) پیش بینی می کند که احتمال پاسخگویی به درمان در گروه های درمانی بسیار کاهش یافته است.یافته های ما نشان می دهد که افراد افسرده مبتلا به اضطراب همراه با شانس پایین تر از بهبود قابل توجهی در زمینه مداخلات درمانی مبتنی بر تلفن های هوشمند برای MDD روبرو هستند.کار ما یک روش ساده برای شناسایی “قوانین شست” از نظر بالینی مفید در پیش بینی پاسخ به درمان با استفاده از مدلهای یادگیری ماشین قابل تفسیر و یک فرآیند انتخاب متغیر رو به جلو را برجسته می کند.