抗抑郁药单药治疗，如选择性血清素再摄取抑制剂（SSRIs），是抑郁症最常见的第一步治疗，占所提供治疗方式的87%。但不到三分之一的抑郁症患者通过标准的第一步抗抑郁药物单药治疗成功缓解。

确定适当的第二步护理的过程通常基于临床直觉，涉及长期的试验和错误过程，导致患者负担沉重，并在提供最佳治疗方面造成不必要的延误。为了解决这个问题，作者采用了集成机器学习方法来提高对第二步治疗的缓解的预测准确性。

数据来自 STAR*D 数据集的 2 级阶段，其中包括 1439 名患者，这些患者在第一步抗抑郁药治疗期间未能达到缓解后被随机分配到七种不同的第二步治疗策略之一。在第 1 级，患者最初接受西酞普兰 （CIT） 治疗至少 8 周。在 1 级期间未缓解的患者接受了 2 级治疗，这代表了两种总体治疗策略：（1） 药物或心理治疗转换 – 从 CIT 切换到另一种抗抑郁药物或认知心理治疗 （CT），以及 （2） 药物或心理治疗增强 – 用第二种药物或 CT 增强 CIT。对于在 2 级转换治疗的患者，可以使用舍曲林 （SER）（第二种 SSRI）、文拉法辛 （VEN）（一种同时具有去甲肾上腺素能和血清素能作用的抗抑郁药）、安非他酮 （BUP）（一种同时具有去甲肾上腺素能和多巴胺能作用的抗抑郁药）或 CT。同样，在药物或心理治疗增强策略中，增强 CIT 的三种治疗方法是 BUP、丁螺环酮 （BUS）（一种抗焦虑药物）或 CT。

Tags： Psychol Med：机器学习方法优化精准医疗以优化抑郁症治疗