要点
- 整合多种模态数据的机器学习模型对重性抑郁障碍（major depressive disorder，MDD）复发具有中等预测准确性，其中临床危险因素的贡献最为显著。
- 神经影像、遗传学、神经认知、血液生物标志物及肠道微生物组等多模态信息，在单一时间点评估时，相较临床数据仅带来有限的增量预测价值。
- 短期再入院预测模型同样主要强调临床和精神病学特征，凸显既往自杀未遂史、住院史等已知危险因素的重要性。
- 若能采用动态建模，捕捉多模态生物标志物随时间演变并与纵向临床结局相对应，未来有望提升复发预测能力及个体化预防效果。
背景
重性抑郁障碍（major depressive disorder，MDD）是一种高患病率、易复发的精神疾病，在全球范围内可造成显著的疾病负担和医疗负担。复发是指缓解后抑郁症状再次出现，可影响相当比例的患者，给治疗与预防带来挑战。及早、准确识别复发高风险个体，对于制定个体化干预和预防策略至关重要。然而，现有预测模型往往依赖有限的临床数据，未能充分捕捉复发病理生理机制的复杂性和多因素特征。近年来，机器学习（machine learning，ML）方法的发展，使得整合多模态数据成为可能——其范围涵盖临床表型、神经影像、遗传学及生物标志物特征，有望提高预测准确性。本综述系统评估了近期关于MDD复发多模态ML预测的高质量证据，梳理方法学启示，并探讨其向临床实践转化的意义。核心内容
MDD复发预测模型的时间演进
早期预测尝试主要使用临床变量和心理测量量表。随着神经影像、遗传学及高通量生物标志物检测技术的发展，研究者开始纳入多模态数据集。随机森林（Random Forest）、支持向量机（support vector machine，SVM）和神经网络等机器学习技术，已被越来越多地用于建模不同预测因子之间的复杂交互作用。来自马尔堡-明斯特情感障碍队列研究（Marburg-Münster Affective Disorders Cohort Study，2026）的证据
Teutenberg等（2026）开展的一项里程碑式预后研究，基于9种模态的广泛基线特征，对564例当前或既往诊断为MDD的患者在2年内的复发风险进行了评估。这9种模态包括：临床/心理测量数据、4种磁共振成像（magnetic resonance imaging，MRI）模态（结构和功能）、遗传学、神经认知、血液生物标志物以及肠道微生物组。 主要发现如下： – 复发预测的平衡准确率（balanced accuracy，BACC）范围为47.21%至64.43%，提示其判别能力为中等水平。 – 表现最佳的模型主要依赖少数已明确的临床复发危险因素。 – 在单一基线时间点进行评估时，多模态生物学数据的整合并未在临床变量之外显著提高预测性能。 – 作者指出，该模型目前对个体层面的决策支持作用有限，并建议未来研究采用动态、纵向建模，将不断变化的多模态生物标志物与临床轨迹相结合。其他机器学习研究的支持性证据
DEEP READ研究（Cerullo等，2026）以前瞻性方式考察了322例意大利MDD患者出院后90天内的早期精神科再入院情况。基于22项临床和社会人口学预测因子的随机森林分类器，其曲线下面积（area under the curve，AUC）达到0.74。主要预测因子包括既往自杀未遂史、住院史、抗惊厥药使用、B型人格障碍、女性性别及焦虑痛苦。尽管属于探索性研究，但锂盐处方模式与再入院呈负相关，提示其可能具有保护作用。该研究进一步强化了在短期随访中，临床变量对于复发风险分层的主导地位。 此外，一项评估缓解期精神病性抑郁轨迹的研究（Kok等，2024）采用机器学习识别续期治疗期间抑郁症状加重的预测因子。缓解初期残留抑郁症状、基线焦虑以及首发年龄被识别为强预测因子，机器学习模型的AUC达到0.812。这些发现强调，接近缓解期时的症状负担是决定复发的重要因素。方法学与研究领域考量
– 现有预测建模方法主要聚焦于静态基线指标；纵向和动态数据的纳入仍较有限，但可能更有助于捕捉疾病随时间演变的复杂性。 – 多模态数据集在标准化整合、降维及过拟合控制方面面临挑战，因此需要稳健的验证流程和外部可重复性验证。 – 纳入肠道微生物组和血液生物标志物具有创新性，反映出神经免疫及肠-脑轴在MDD复发中的新兴研究方向。 – 神经影像衍生指标虽具有生物学信息价值，但仍需进一步优化，方能增强临床预测能力。专家点评
多模态机器学习模型在MDD复发预测中的中等准确性，既体现了进展，也反映了局限。预测性能主要由既定临床危险因素驱动，说明其在临床评估中的重要性依然不可替代。当以横断面方式评估时，先进的神经生物学模态未能带来明显增量价值，这提示复发背后的复杂病理生理过程可能随时间动态演变，而非仅表现为稳定特征。 当前MDD复发预防的临床指南强调，应基于既往病史和症状学进行个体化风险评估。机器学习模型有望提升风险分层能力，但其真正进入临床实践仍需更高准确性、更强透明度和可解释性。多模态数据在常规场景中的获取与整合困难，也限制了其即刻临床实用性。 从机制上看，复发可能源于遗传易感性、神经认知脆弱性、分子信号通路、环境应激因素以及微生物组动态之间的相互作用。因此，未来模型应纳入反映疾病全程复杂性的重复测量数据。循环神经网络（recurrent neural networks）或动态贝叶斯模型（dynamic Bayesian models）等时间序列建模技术，或可更好地将不断演变的生物标志物与临床表型相匹配。结论
多模态机器学习方法代表了重性抑郁障碍个体化复发预测的一个有前景方向。近期高质量队列研究表明，其预测准确性处于中等水平，且主要由临床危险因素驱动，而横断面多模态数据整合带来的增量获益有限。若要充分释放机器学习在MDD复发预测中的潜力，未来研究应优先采用动态和纵向数据框架、开展外部验证，并整合机制层面的认识，以支持个体化预防。弥合这一差距，或将重塑复发风险分层，并优化MDD诊疗中的结局与资源配置。参考文献
- Teutenberg L et al. Multimodal Machine Learning-Based Prediction of Relapse in Major Depressive Disorder. JAMA Psychiatry. 2026 Oct 21. PMID: 42905697. https://pubmed.ncbi.nlm.nih.gov/42905697/
- Cerullo MA et al. Predicting early psychiatric readmission among people with major depressive disorder: A machine learning analysis from the prospective multicentre DEEP READ study. J Affect Disord. 2026 Dec 15;415:122502. PMID: 42732835. https://pubmed.ncbi.nlm.nih.gov/42732835/
- Kok A, et al. Trajectories of remitted psychotic depression: identification of predictors of worsening by machine learning. Psychol Med. 2024 Apr;54(6):1142-1151. PMID: 37818656. https://pubmed.ncbi.nlm.nih.gov/37818656/
