老年抑郁症精准干预：自动化治疗决策规则的构建与验证

　　来自Weill Cornell Medicine和UCSF的研究团队开发了一种可扩展的自动治疗决策规则（TDR），通过基线特征（抑郁严重程度、认知功能等）为社区老年抑郁症患者精准分配心理疗法或常规治疗，结果显示TDR组HAM-D评分降低49.1%，较常规治疗提升34%疗效，显著提升干预精准性与成本效益。

　　

这项预后研究探讨了自动化治疗决策规则（Treatment Decision Rule, TDR）在社区老年抑郁症干预中的分配效能。针对临床医生短缺导致的心理治疗可及性困境，研究团队开发了一种可扩展的TDR模型，通过基线特征（包括人口统计学、抑郁严重程度、社会支持、认知功能及残疾状况）自动为患者分配合适干预措施——心理治疗（问题解决疗法PST或针对共病负担的 psychotherapy）或常规治疗（支持性治疗/常规管理）。

研究纳入427名60岁以上重度抑郁症患者（平均年龄72.7±8.7岁，女性占70%），数据源自2002-2011年间Weill Cornell Medicine与加州大学旧金山分校的随机对照试验。结果显示：TDR指导的干预使汉密尔顿抑郁量表（Hamilton Depression Rating Scale, HAM-D）评分平均降低49.1%（95%CI:47.4%-51.0%），较常规治疗组（36.6%）提升34%疗效，略优于全员心理治疗组（46.7%）。特征分析表明：高抑郁严重度、低认知功能与强社会支持者更适合心理治疗；而低抑郁、高认知功能与弱社会支持者则更适合常规治疗。

该TDR首次针对社区场景设计，通过NCT00601055等临床试验验证，有望提升治疗精准度、成本效益与应答率，为老年精神健康干预提供自动化决策支持。