Zespół badawczy stworzył interpretowalne modele machine learning do prognozowania przebiegu depresji u pacjentów z chronicznymi lub ostrymi schorzeniami poddanych mindfulness-based interventions. Badanie analizowało wieloośrodkową kohortę podłużną, wykorzystując algorytmy Ridge Regression i tree-based ensemble methods takie jak LightGBM do modelowania wyników w horyzoncie 12 i 24 tygodni. Przy predictowaniu wyniku po 12 tygodniach Ridge Regression osiągnął najlepsze wyniki z błędem RMSE 5.186 i współczynnikiem R² 0.474, podczas gdy dla 24 tygodni LightGBM wykazał lepszą wydajność z RMSE 5.038 i R² 0.525.
Aspekt metodologiczny pracy obejmował radzenie sobie z brakującymi danymi Follow-up poprzez model-based stochastic imputation, co pozwoliło zachować zmienność wyników przy stosunkowo małej próbie. Zespół uwzględnił zmienne demograficzne, informacje o warunkach klinicznych, identyfikatory szpitala oraz miary zaangażowania pacjentów w terapię.
Najistotniejsze odkrycia dotyczą trzech wzorców klinicznych: ciężkość depresji na starcie pozostaje najsilniejszym ogólnym predyktorem wyników, wyniki krótkookresowe są bardziej związane z kontekstem klinicznym i szpitalnym, natomiast długookresowe rezultaty wykazują większą zależność od adherencji behawioralnej pacjentów. Taka granularna analiza może wspomóc klinicystów w szybszej identyfikacji pacjentów zagrożonych słabszą odpowiedzią na interwencje mindfulness i personalizacji podejścia terapeutycznego.