基于多模态数据的指导性写作暴露干预匹配模型

项目背景与目标

指导性写作暴露技术（GWE）可显著改善 PTSD 患者症状，但部分患者在干预中无明显收益，或在干预后短期内复发。识别能够预测良好干预效果的患者基线特征，或在干预过程中心理与生理变量的变化轨迹，对于指导精准化治疗与优化写作暴露技术的指导策略具有重要意义。

核心任务设计

任务一：文本数据智能化编码评分（30分）

• 使用大语言模型对患者写作内容进行量化编码评分，包括叙事清晰度、连贯性、情感色彩等，突破人工评分可能存在的主观偏差。

任务二：时间序列数据处理（30分）

1. 对写作任务过程中患者连续的心率数据（1 小时）进行处理，提取心率变异性（HRV）与呼吸性窦性心律不齐（RSA）的时间序列轨迹（以 5 分钟为单位，将 1 小时数据聚合为 12 个时点），作为预测依据。
2. 对写作前后主观痛苦程度的多点数据（17 个测量点）进行轨迹化特征提取，作为预测指标。

任务三：预测模型的构建与优化（40分）

• 以基线多类心理量表数据、任务一中的文本编码特征、任务二中的时间序列特征为输入变量，预测治疗效果（干预前后 PTSD 分数变化）。

评估指标与预期成果

评估指标

1. 预测性能
   • AUC（ROC 曲线下面积）：评价模型区分高风险与低风险个体的能力。
   • 灵敏度、特异度与 F1 值：反映不同阈值下的分类性能。
   • AUPRC：适用于类别不平衡，衡量少数类预测的有效性。
2. 模型校准性
   • Brier Score：预测概率与实际结果的均方误差。
   • 校准曲线：比较预测风险与真实发生率的一致性。
3. 泛化与稳健性
   • 外部验证：在不同中心或独立样本上的表现。
   • 时间外验证：随访数据中的长期稳定性。
4. 公平性与可解释性
   • 各亚群（性别、年龄、创伤类型等）之间的性能差异。
   • 模型解释工具（如 SHAP 值、注意力权重）揭示关键风险因素，并与临床知识相印证。

预期成果

• 构建并验证一个 GWE 干预风险预测模型。
• 识别影响 GWE 干预效果的关键机制变量。

参考文献

• McConnell, K. J., & Lindner, S. (2019). Estimating treatment effects with machine learning. Health Services Research, 54(6), 1273–1282.
• Nixon, R. D., King, M. W., Smith, B. N., Gradus, J. L., Resick, P. A., & Galovski, T. E. (2021). Predicting response to Cognitive Processing Therapy for PTSD: A machine-learning approach. Behaviour Research and Therapy, 144, 103920.
• Held, P., Schubert, R. A., Pridgen, S., Kovacevic, M., Montes, M., Christ, N. M., … & Smith, D. L. (2022). Who will respond to intensive PTSD treatment? A machine learning approach to predicting response prior to starting treatment. Journal of Psychiatric Research, 151, 78–85.