使用机器学习来预测被诊断为重度抑郁症的人如何应对治疗
重度抑郁症（MDD）是一种令人衰弱的心理健康状况，其特征是情绪低落，对日常活动的兴趣丧失，食欲变化，睡眠障碍，在极端情况下是自杀思想。全世界数百万人在一生中都经历了抑郁症，并与寻求治疗的精神科医生接触。
目前有很多治疗选择为了沮丧，包括不同类型的药物和心理治疗，以及将两者都结合起来的针对性干预措施。尽管研究表明，其中一些治疗方法比其他治疗方法更有效，但已知不同的人通常对可用治疗方法有所不同。
因此，发现最适合特定人的药物和治疗可能需要时间，有时会导致长期的试验过程。因此，制定有效的策略来识别早期特定患者的最佳治疗方法可能会非常有利，因为它可以帮助他们更快地恢复，而不必尝试各种对他们无效的药物。
新加坡国立大学和其他机构的研究人员最近进行了一项研究，探讨了预测MDD的人必须使用功能性近红外光谱（FNIRS）和机器学习。他们的论文，出版在翻译精神病学，PIN点通过FNIR可见的一些生物标志物似乎与沮丧的个体对治疗的反应如何相关。
Cyrus Su Hui Ho，Jinyuan Wang及其同事在他们的论文中写道：“抑郁症治疗反应在人群中的差异很大。”“确定具有治疗结果预测精确性的客观生物标志物可以提高治疗效率并避免疗法无效。本研究研究了FNIRS和临床评估信息是否可以通过机器学习技术预测MDD的治疗反应。”
为了探索FNIRS和临床数据的潜力，以预测人们对抑郁症的不同治疗方法的反应，研究人员进行了一次纵向研究跨越六个月。这项研究检查了对70名被诊断为MDD的人的治疗的反应，该治疗是使用旨在帮助诊断抑郁症（称为汉密尔顿抑郁量评估量表（HAM-D）的）的问卷进行了量化的。
“使用嵌套的交叉验证对FNIRS和临床信息进行了严格评估，以预测基于机器学习模型的反应者和非反应者，包括支持向量机，随机森林，XGBoost，Xgboost，判别分析，Nain-Ve贝叶斯和变形金刚，”写道。”Ho，Wang和他们的同事。
研究人员使用各种最先进的机器学习模型分析了在临床评估期间从患者那里收集的FNIRS数据和信息。他们的分析使他们能够发现与人们如何反应治疗有关的生物标志物，即蛋白质血红蛋白的浓度背外侧前额叶皮层（DLPFC），参与执行功能的大脑区域（即认知灵活性，工作记忆和决策）。
“总血红蛋白（HBT）的任务变化被定义为在任务前和任务后平均HBT浓度之间的差异，在DLPFC中与治疗反应显着相关（pâ<0.005）。”研究人员。
“利用na-ve贝叶斯模型，内部交叉验证性能（baccâ= 70％[sdâ=â=â=â=â=â=aucâ= - 0.77 [sdâ= -0.04]）和外部交叉验证结果（BACCâ= 73％[Sdâ= 3]，AUC = 0.77 [Sdâ=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â=â= =屈服于仅使用FNIRS数据来预测响应。临床数据与仅FNIRS模型相比，在外部交叉验证中表现出色（BACC = 68％，AUC = 0.70）。”
总体而言，这项最新研究的结果突出了机器学习作为探索与人们如何应对精神疾病治疗方法相关的因素的工具的潜力。
将来，这项工作可能会激发其他研究人员使用机器学习来分析临床和FNIRS数据，同时也有可能有助于开发新方案，旨在快速识别诊断为MDD的人的最佳治疗干预措施。
更多信息：Su Hui Ho等人，功能性近红外光谱和机器学习在重度抑郁症中六个月后预测治疗反应的应用，翻译精神病学（2025）。doi：10.1038/s41398-025-03224-7
©2025科学X网络
引用：使用机器学习来预测被诊断出重度抑郁症的人如何应对治疗（2025年，1月22日）检索2025年1月24日摘自https://medicalxpress.com/news/2025-01-machine-people-major-depressive-disorder.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《使用机器学习来预测被诊断为重度抑郁症的人如何应对治疗》的评论
暂无评论