Исследование, опубликованное в JAMA Network Open, проверило, насколько машинное обучение действительно способно определять, кому конкретное лечение принесёт наибольшую пользу. Авторы сосредоточились на интернет-когнитивно-поведенческой терапии (iCBT) при депрессии и протестировали модели на данных 1589 участников пяти рандомизированных клинических исследований, в которых изучались три программы терапии.
Модель анализировала 12 исходных характеристик пациента, включая выраженность депрессии, возраст, пол, образование, занятость, семейный статус, приём антидепрессантов, текущую психотерапию, диагнозы и показатели физического и психологического качества жизни. Основным алгоритмом стала elastic net regression, дополнительно исследовались обычная линейная регрессия и causal forest.
Результат оказался одновременно многообещающим и отрезвляющим. Алгоритм достаточно стабильно ранжировал пациентов по предполагаемой пользе терапии при проверке на независимых данных. Коэффициент объяснённой вариации для прогнозирования результата составлял R² от 0,19 до 0,50. Наиболее важным фактором оказалась исходная тяжесть депрессии: увеличение её показателя на один балл было связано примерно с 0,16 балла дополнительного улучшения при iCBT.
Но превращать такой прогноз в готовое правило назначения лечения пока рано. Когда терапию предлагали только пациентам, которых модель считала наиболее перспективными, результат оказался хуже стратегии лечения всех участников: разница составляла от −2,01 до −0,25 балла по PHQ-9. Иными словами, ИИ уже умеет находить закономерности индивидуального ответа, но пока недостаточно точно, чтобы самостоятельно решать, кому лечение можно не назначать.

 
Новости нейросетей
05.09.2026