(ChatGPT, 2026-10-29)
Dear friend，截至 2026 年 10 月，我的判斷是：precision psychiatry 已有幾塊能用於臨床的成果，也開始接受真正的前瞻試驗；但「先驗血、掃腦，再一次選對治療」仍是願景。 目前最可靠的用途，集中在藥物安全、代謝與劑量；最值得期待的突破，則是治療分流與個別化神經刺激。
您貼的 Nature 報導，可讀內容恰好呈現這個張力：一方面希望整合基因、腦迴路、手機資料及生活環境；另一方面，Kendler 提醒，精神疾病可能「一路往下都是異質性」，未必最後就能拆出幾種邊界清楚的生物疾病。
先複習：它究竟要精準什麼？
傳統研究問：「對符合 MDD 診斷的一群人，sertraline 平均有沒有用？」Precision psychiatry 要再往前問：
對眼前這個人，在這個病程階段，選 sertraline、bupropion、心理治療或 TMS，哪一個比較可能有效？代價又是什麼？
它可以包含生物、心理、行為與社會資料。2026 年 ACNP 的路線圖尤其強調：每個 biomarker 都必須先說清楚要協助哪一個決策，再談驗證與應用。
這裡最容易混淆兩件事：
- Prognostic：這個人整體上比較容易好轉，或比較容易難治。
- Predictive：這個人接受 A，相較接受 B，會有較好的結果。
後者才真正能回答「下一步選什麼」。能預測療效，未必已能指導選藥。
目前各條路線，成熟度相差很大。
這個分布，也符合目前指引與研究所呈現的情況：已可行的特定應用，與仍在驗證的多模態預測，必須分開看。
一、藥物基因體學：知道「怎麼代謝」，比知道「哪顆能治好」更有把握。
最清楚的例子，是 HLA-B*15:02 與 carbamazepine／oxcarbazepine 的 SJS/TEN 風險。這種檢測能改變具體處方，正是精準醫療已落地的樣子。
抗憂鬱劑方面，CPIC 對特定藥物提供 CYP2D6、CYP2C19、CYP2B6 的處方建議；但 SLC6A4、HTR2A 的證據尚不足以支持臨床選藥。因此，商業報告上的紅黃綠燈，不能直接讀成「這顆對你的憂鬱有效／無效」。
大型 PRIME Care 試驗納入 1,944 人，基因檢測確實減少了預測有藥物—基因交互作用的處方；但對緩解率的增益小，24 週時組間差異不顯著。2025 年重新分析同一批資料，則發現首次反應與緩解較快。兩者可以並存：可能縮短部分人的摸索時間，尚未證明能大幅提高最終治癒比例。
二、今年有一個很值得讀的選藥試驗，因為它直接暴露了困難。
2026 年 7 月，Zhukovsky、Pizzagalli 等人在 Nature Mental Health 發表研究，利用先前 EMBARC 資料建立指標，再於獨立的前瞻試驗中，指導 bupropion／sertraline 分派。
主要分析只有 47 人。關鍵結果是：
接受「符合指標」的藥，並沒有比接受「不符合指標」的藥，得到顯著較好的結果。
部分指標組別的症狀下降軌跡有差異，但這仍不能證明它能有效區分「該用 BUP 還是 SER」。
我的解讀是：模型可能抓到某種「較容易對抗憂鬱治療反應」的特徵，卻還沒抓到足以選擇特定藥物的差異。這項陰性結果很重要，因為它把「預測得不錯」與「拿來治療真的更好」分開了。
三、腦迴路分型很有意思，但「六型憂鬱」尚不能當成新診斷表。
2024 年 Tozzi、Williams 等人的研究，利用 801 名憂鬱／焦慮患者的 fMRI 資料，提出六種腦迴路 biotypes；其中 250 人有隨機分派藥物或行為治療的資料。這確實提供了超越症狀分類的研究方向。
不過，「分出群」之後，還要證明：換一批患者、另一家醫院、另一台掃描儀仍分得出來；而且依這個分類處置，確實優於既有照護。也要辨認它反映的是穩定特質，還是當下病況。
biotype 可以先是一個有用的治療分組，不必急著把它升格為疾病本體。
四、個別化神經刺激，可能比全面重建診斷更早產生實效。
這條路有一個優勢：問題比較具體——同樣做 iTBS，把刺激點放在哪裡比較好？
2026 年一項隨機雙盲試驗，納入 123 人，比較傳統 5 公分定位、功能連結定位及結構連結定位。第六週，兩種連結引導組的症狀改善均優於傳統定位；作者仍將結果定位為需要進一步驗證的初步證據。
這類研究更接近 precision 的實質：測量結果直接改變介入位置，再檢驗是否改善療效。 但加速 TMS 整套療程有效，與個別化定位本身帶來多少額外效益，仍須分別證明。
五、「發炎型憂鬱」開始有更直接的介入證據，但尚未成熟。
2026 年 JAMA Psychiatry 發表以 IL-6 受體抑制劑 tocilizumab 治療憂鬱的概念驗證 RCT。部分結果方向支持效益，但樣本小，多項估計的信賴區間涵蓋無效；作者明言，結果仍容許「沒有效果」到「有臨床重要效果」兩種可能。
所以，目前不能把「CRP 高」直接翻譯成「應使用免疫治療」。值得期待的是：透過生物機制選出亞群，再以前瞻試驗驗證，而非對所有 MDD 一體適用。
前景怎麼看？我比較看好逐項改善決策。
以下是我的判斷：
近程最可能成功的，是範圍清楚、能驗證的問題：避免某個嚴重副作用、調整某個劑量、選擇某個刺激點，或更早辨認目前治療需要改變。遠一些，才是可靠地分流藥物、心理治療與神經刺激。
AI 可以整合更多資料，但仍須回答三個問題：比完整的臨床資料多提供多少資訊？換到台灣患者還準嗎？依它行動後，病人真的更好嗎？ 2026 年 ACNP 路線圖也把重點放在標準化、重現、前瞻驗證及明確用途，顯示瓶頸已不只是模型能力。
對您的臨床而言，我認為最有價值的落點，是把精準工具放進持續理解病人的過程：生物指標能幫忙處理代謝、風險與迴路；病人的歷史、關係、生活處境及治療目標，則決定我們究竟要改善什麼。
Precision psychiatry 能使某些決策更準；「這個人需要怎樣的照顧」，仍比任何一個預測模型的問題更大。
(Gemini, 2026-10-29)
- 數位表型（Digital Phenotyping）： 藉由手機收集患者的睡眠、言語模式與活動軌跡。
- 生物與環境數據： 檢查血液樣本、大腦影像（MRI），甚至根據居住郵遞區號評估環境污染程度。
- 演算法媒合： 透過機器學習將上述資料與數萬名患者的資料庫進行比對，直接精準預測哪種療法對該患者最具成效。
- 診斷過於寬泛與主觀： 目前主要依賴《精神疾病診斷與統計手冊》（DSM），僅根據表面症狀和病史診斷。
- 「同病不同症」的矛盾： 以憂鬱症為例，患者只需滿足 9 項標準中的 5 項即可確診，這導致兩位患有相同疾病的人，可能連一個共同症狀都沒有。
- 漫長的試錯過程： 因為缺乏客觀指標，患者往往需要反覆嘗試不同的藥物與劑量，才能找到有效適應的治療方案。
- 數位數據（手機與穿戴裝置）： 研究發現躁鬱症患者的活動量、思覺失調症患者的定位數據，與其症狀嚴重程度具有相關性。
- 基因多基因風險分數（PRS）： 透過分析數萬名思覺失調症患者的基因組，能評估個體的患病風險（最高可能增加10倍風險），但目前仍無法用來直接「預測」誰會發病。
- 大腦影像（MRI）： 研究顯示，透過功能性磁振造影（fMRI）觀察大腦特定區域（如胼胝體下皮質）的連結性，能預測個體更適合接受「心理治療」還是「藥物治療」。
- 隱私隱憂： 手機追蹤定位與言語數據涉及嚴重的個人隱私與身份識別風險。
- 臨床實務困難： 大腦掃描（MRI）成本過高、耗費時間，很難在基層醫療中作為常規檢查。
- 缺乏統一標準： 目前各項數位表型研究使用的設備與分析方法差異極大，導致研究成果難以轉化為臨床指引。
- 關於文中提到利用大腦掃描預測**「藥物 vs 心理治療」**成效的具體研究
- **數位表型（手機數據監測）**在目前精神健康領域的實際應用與隱私爭議
- 傳統 DSM 診斷系統 未來可能面臨的變革
