Использование машинного обучения для прогнозирования того, как люди с диагнозом тяжелого депрессивного расстройства реагируют на лечение
Большое депрессивное расстройство (БДР) — это изнурительное состояние психического здоровья, характеризующееся постоянным подавленным настроением, потерей интереса к повседневной деятельности, изменениями аппетита, нарушениями сна и, в крайних случаях, мыслями о самоубийстве. Миллионы людей во всем мире пережили депрессивный эпизод на протяжении своей жизни и обратились к психиатрам за лечением.
В настоящее время существует множество вариантов лечения депрессии , включая различные виды лекарств и психотерапии, а также целенаправленные вмешательства, сочетающие оба метода. Хотя исследования показывают, что некоторые из этих методов лечения могут быть более эффективными , чем другие, известно, что разные люди часто по-разному реагируют на доступные методы лечения.
Таким образом, поиск лекарств и терапии, которые лучше всего подходят конкретному человеку, может занять время, иногда приводя к длительному процессу проб и ошибок. Разработка эффективных стратегий для раннего определения оптимального лечения для конкретных пациентов может быть очень полезной, поскольку это поможет им быстрее выздороветь, без необходимости пробовать различные лекарства, которые для них неэффективны.
Исследователи из Национального университета Сингапура и других институтов недавно провели исследование, изучающее возможность прогнозирования реакции людей с БДР на конкретные виды лечения с использованием комбинации функциональной ближней инфракрасной спектроскопии (fNIRS) и машинного обучения . В их статье, опубликованной в Translational Psychiatry , указаны некоторые биомаркеры, видимые с помощью fNIRS, которые, по-видимому, коррелируют с тем, как люди с депрессией реагируют на лечение.
«Реакции на лечение депрессии сильно различаются у разных людей», — пишут Сайрус Су Хуэй Хо, Цзиньюань Ван и их коллеги в своей статье. «Определение объективных биомаркеров с точностью прогнозирования терапевтических результатов может повысить эффективность лечения и избежать неэффективных методов лечения. В этом исследовании изучается, могут ли fNIRS и информация клинической оценки предсказать реакцию на лечение при БДР с помощью методов машинного обучения».
Чтобы изучить потенциал fNIRS и клинических данных для прогнозирования реакции людей на различные методы лечения депрессии, исследователи провели лонгитюдное исследование, охватывающее период в шесть месяцев. В этом исследовании изучались реакции на лечение 70 человек с диагнозом MDD, которые были количественно оценены с помощью анкеты, разработанной для помощи в диагностике депрессии, известной как шкала оценки депрессии Гамильтона (HAM-D).
«Данные fNIRS и клинической информации были строго оценены с использованием вложенной перекрестной проверки для прогнозирования респондентов и нереспондентов на основе моделей машинного обучения, включая машину опорных векторов, случайный лес, XGBoost, дискриминантный анализ, наивный байесовский анализ и трансформаторы», — пишут Хо, Ван и их коллеги.
Исследователи проанализировали как данные fNIRS, так и информацию, собранную у пациентов во время клинических оценок, используя различные современные модели машинного обучения. Их анализ позволил им обнаружить биомаркер, связанный с тем, как люди реагируют на лечение, а именно концентрацию белка гемоглобина в дорсолатеральной префронтальной коре (dlPFC), области мозга, участвующей в исполнительных функциях (то есть когнитивной гибкости, рабочей памяти и принятии решений).
«Изменение общего гемоглобина (HbT) в результате выполнения задания, определяемое как разница между средними концентрациями HbT до и после выполнения задания, в dlPFC значительно коррелирует с ответом на лечение (p < 0,005)», — пишут исследователи.
«Используя наивную байесовскую модель, внутреннюю перекрестную проверку (bAcc = 70% [SD = 4], AUC = 0,77 [SD = 0,04]) и результаты внешней перекрестной проверки (bAcc = 73% [SD = 3], AUC = 0,77 [SD = 0,02]) для прогнозирования ответа с использованием исключительно данных fNIRS. Бимодальная модель, объединяющая fNIRS и клинические данные, показала худшую производительность при внешней перекрестной проверке (bAcc = 68%, AUC = 0,70) по сравнению с моделью, использующей только fNIRS».
В целом результаты этого недавнего исследования подчеркивают потенциал машинного обучения как инструмента для изучения факторов, связанных с тем, как люди реагируют на различные методы лечения психических расстройств.
В будущем эта работа может вдохновить других исследователей на использование машинного обучения для анализа клинических данных и данных fNIRS, а также потенциально способствовать разработке новых протоколов, предназначенных для быстрого определения оптимальных терапевтических вмешательств для лиц с диагнозом большого депрессивного расстройства.